본 논문은 그래프 신경망(GNNs)의 계산 복잡도 증가 및 일반화 성능 저하 문제를 해결하기 위해 시각-언어 모델(VLMs)을 활용한 다중 그래프 공동 추론 방법을 제안합니다. 기존 연구가 단일 그래프 추론에 집중한 것과 달리, 본 논문은 지식 그래프, 흐름도, 마인드맵, 경로 지도 등 네 가지 그래프 유형을 포함하는 다중 그래프 공동 추론 벤치마크를 제시하고, 최신 VLMs의 성능을 평가하고, 오픈소스 모델의 미세 조정을 수행합니다. 이를 통해 VLMs의 다중 그래프 추론 능력을 평가하고, 그래프 구조 학습에서의 일반화 성능 우수성을 실험적으로 검증합니다.
