Forskere har præsenteret en ny tilgang til graf-fundamentmodeller, der adresserer en central begrænsning i eksisterende systemer: antagelsen om, at hver node kun har én semantisk klasse. Den nye model, Multi-Semantic Basis Graph Foundation Model (MSB-GFM), introducerer en multi-semantisk basis-repræsentation, hvor hver node modelleres som en adaptiv kombination af semantiske baser. Dette giver mulighed for at repræsentere flere betydninger samtidig uden at sammenblande dem, hvilket er afgørende for opgaver som multi-label nodeklassificering.
Eksisterende graf-fundamentmodeller bygger på en single-label-antagelse, hvor alle noder behandles som om de kun indeholder én klasse af semantik og indlejres i en enkelt vektor. For multi-label noder fører dette til semantisk sammenfiltring og vanskeliggør samtidig diskrimination af flere labels. MSB-GFM løser dette ved at lære en multi-semantisk basis-repræsentation, der muliggør fleksibel repræsentationskapacitet.
Modellen anvender en semantisk-strukturel dual-channel-arkitektur med domæne-adversariel træning for effektiv cross-domain vidensoverførsel. Dette er en væsentlig forbedring i forhold til eksisterende metoder, der primært fokuserer på in-domain-scenarier, hvor modellen trænes og testes på samme grafdomæne. MSB-GFM demonstrerer effektivitet gennem omfattende eksperimenter, hvilket gør den relevant for applikationer, hvor data kommer fra forskellige domæner.
For beslutningstagere, der arbejder med komplekse netværksdata — for eksempel sociale netværk, biologiske systemer eller anbefalingssystemer — kan denne model forbedre nøjagtigheden og generaliseringen af prædiktive analyser. Evnen til at håndtere flere semantikker samtidig kan føre til mere præcise modeller, der bedre afspejler virkelighedens kompleksitet.
