본 논문은 사전 훈련된 모델과 다운스트림 목표 사이의 격차를 좁히기 위해 설계된 "사전 훈련, 프롬프트" 패러다임을 그래프 도메인에 적용하고, 특히 그래프 데이터의 본질적인 다중 스케일 구조적 정보를 간과하는 기존의 단일 입자성 프롬프트 생성 방식을 개선하고자 한다. 이를 위해, 다중 스케일 정보를 그래프 프롬프트에 통합하는 Multi-Scale Graph Chain-of-Thought (MSGCOT) 프롬프트 프레임워크를 제안한다. MSGCOT는 경량 저랭크 코어닝 네트워크를 사용하여 다중 스케일 구조적 특징을 계층적 기반 벡터로 캡처하고, 인간의 인지 방식을 모방하여 각 추론 단계에서 다중 스케일 정보를 동적으로 통합하여 점진적인 coarse-to-fine 프롬프트 체인을 형성한다. 8개의 벤치마크 데이터셋에 대한 실험 결과, MSGCOT가 최첨단 단일 입자성 그래프 프롬프트 튜닝 방법보다 우수한 성능을 보였으며, 특히 few-shot 상황에서 뛰어난 성능을 입증했다.
