La classification multi-label de nœuds reste un problème central en apprentissage sur graphes, notamment lorsque chaque nœud porte plusieurs significations simultanées. Dans cet article publié sur arXiv, les auteurs estiment que les méthodes existantes savent modéliser plusieurs labels, mais restent souvent limitées à un cadre in-domain, où l’entraînement et l’évaluation se font sur un même domaine de graphe. Cette contrainte freinerait leur capacité de généralisation vers d’autres contextes.
Le papier s’attaque aussi à une limite plus structurelle des Graph Foundation Models (GFMs). Selon les auteurs, ces modèles reposent encore majoritairement sur une hypothèse de label unique : chaque nœud est résumé par un seul vecteur de représentation. Pour des nœuds multi-label, cette compression dans un point unique de l’espace latent tendrait à mélanger plusieurs sémantiques, rendant plus difficile la discrimination simultanée de plusieurs classes.
Pour répondre à ce problème, les chercheurs proposent MSB-GFM (*Multi-Semantic Basis Graph Foundation Model*). L’idée centrale consiste à représenter un nœud non plus comme un vecteur unique, mais comme une composition adaptative de bases sémantiques. Cette approche doit offrir une capacité de représentation plus flexible pour capturer plusieurs significations au sein d’un même nœud, tout en réduisant l’enchevêtrement sémantique observé dans les approches classiques.
L’architecture décrite s’appuie également sur un schéma à double canal sémantique et structurel, combiné à un entraînement adversarial entre domaines pour faciliter le transfert de connaissances. Les auteurs indiquent que des expériences étendues valident l’efficacité du modèle, sans que le résumé disponible ne détaille ici les jeux de données ou les gains mesurés. À ce stade, la contribution apparaît surtout comme une tentative de faire évoluer les GFMs vers des usages plus réalistes et plus transférables en environnement multi-label.