본 논문은 그래프 분류와 같은 그래프 레벨 작업에서 강력한 일반화 능력을 갖는 그래프 기반 모델(GFMs)을 훈련하는 데 중점을 둡니다. 효과적인 GFM 훈련에는 다양한 도메인에서 일관된 정보를 포착하는 것이 필요합니다. 본 논문은 노드 특징이나 그래프 레이블과 비교하여 그래프 구조가 더 일관된 도메인 간 정보를 제공한다는 것을 발견했습니다. 그러나 기존의 GFM은 다양한 도메인에서 통합된 표현 공간으로 노드 특징을 전달하는 데 주로 초점을 맞추지만, 구조적 도메인 간 일반화가 종종 부족합니다. 이를 해결하기 위해 본 논문에서는 구조적 일반화를 강조하는 GraphProp을 제시합니다. GraphProp의 훈련 과정은 두 가지 주요 단계로 구성됩니다. 첫째, 그래프 불변량을 예측하여 구조적 GFM을 훈련합니다. 그래프 불변량은 그래프의 추상적 구조에만 의존하고 특정 레이블이나 그래프의 그림에는 의존하지 않는 그래프의 속성이므로 이 구조적 GFM은 추상적 구조 정보를 포착하고 다양한 도메인에서 비교 가능한 차별적인 그래프 표현을 제공하는 강력한 능력을 갖습니다. 두 번째 단계에서는 구조적 GFM이 제공하는 표현을 위치 인코딩으로 사용하여 포괄적인 GFM을 훈련합니다. 이 단계에서는 도메인별 노드 속성과 그래프 레이블을 사용하여 도메인 간 노드 특징 일반화를 더욱 향상시킵니다. 실험 결과 GraphProp이 특히 노드 속성이 없는 그래프를 처리하는 경우 지도 학습과 소수 샷 학습에서 경쟁자보다 훨씬 우수한 성능을 보임을 보여줍니다.
