多标签图基础模型新框架发布

多标签节点分类是图学习领域一项重要且富有挑战性的任务，其核心在于现实场景中的节点往往同时具备多重语义属性。例如，在社交网络中，一个用户可能同时属于多个兴趣社群；在文献网络中，一篇论文可能同时涵盖多个研究主题。传统方法虽然能够有效建模多标签，但大多局限于域内场景，即模型在同一图域内完成训练和测试，这严重限制了其跨域泛化能力。

近年来，图基础模型（GFMs）作为一种新兴范式，致力于学习可迁移的图表示，以适用于不同图域和下游任务。然而，现有GFMs建立在单标签假设之上，即所有节点都被简单视为只包含单一类别语义，并嵌入到单一向量表示中。对于多标签节点而言，这种表示本质上是用表示空间中的一个点去逼近多个语义，不可避免地导致语义纠缠，使得同时区分多个标签变得异常困难。

针对上述局限性，研究者提出了一种名为多语义基图基础模型（MSB-GFM）的框架，专门用于跨域多标签节点分类。其核心创新在于引入多语义基表征学习范式，将每个多标签节点建模为多个语义基的自适应组合，从而提供灵活的表示能力来建模多重语义。这种设计使得模型不再强制将多语义节点压缩为单一向量，而是通过基向量的组合保留更丰富的语义信息。

为实现有效的跨域知识迁移，MSB-GFM还设计了语义结构双通道架构，并结合域对抗训练。语义通道专注于捕捉标签语义关联，结构通道则保留图拓扑信息。域对抗训练机制促使模型学习域无关的表示，从而提升在目标域上的泛化性能。此外，多语义基学习天然具有可解释性：每个基向量可视为一种潜在语义因子，节点的最终表示由其激活权重组合而成，这有助于理解节点的多标签行为。

实验部分，研究者在多个基准数据集上进行了广泛评估，涵盖不同领域和标签分布的场景。结果表明，MSB-GFM在跨域多标签节点分类任务上显著优于现有的图基础模型和传统多标签方法，验证了多语义基范式的有效性。消融研究进一步证实了双通道架构和域对抗训练各自的重要贡献。

这项工作为图基础模型的发展提供了新方向，即从单向量表示学习走向多语义基学习。未来，该框架有望推广至更多图任务，如图分类、链接预测以及图生成等。同时，结合大语言模型与多语义基表示，或可构建更强大的通用图智能体。相关论文已发布于arXiv平台，供研究者进一步探索与复现。