본 논문은 사전 훈련된 모델(PM)에서 얻은 노드 특징을 개선하여 하위 그래프 학습 작업에 더 적합하게 만드는 방법을 제시합니다. 기존의 방법은 PM에서 추출된 그래프 비의존적인 노드 특징을 사용하여 GNN의 성능 저하를 야기하는데, 본 논문에서는 TOUCHUP-G라는 새로운 방법을 제안합니다. TOUCHUP-G는 하위 그래프 작업(예: 추천 시스템에서 사용되는 링크 예측), 다양한 모달리티(이미지, 텍스트, 오디오 등)의 원시 특징 개선에 적용 가능하며, 그래프 구조와 노드 특징 간의 상관관계를 정량화하는 새로운 지표인 특징 동종성(feature homophily)과 밀접한 관련이 있습니다. TOUCHUP-G는 그래프 구조와 노드 특징 간의 불일치를 효과적으로 줄이고, 네 가지 실제 데이터 세트에서 최첨단 결과를 달성합니다.
