본 논문은 의료 정보학에서 중요한 멀티 레이블 텍스트 분류 작업인 자동화된 국제 질병 분류(ICD) 코딩을 위한 새로운 학습 방법을 제안한다. 대규모 레이블 공간(10,000~20,000개 코드)과 롱테일 분포 문제를 해결하기 위해, 코드 간의 미세한 공기 관계를 모델링하는 방법을 제시한다. 특히, 공통 코드와 희귀 코드 노드의 분리된 집합을 가진 방향성 이분 그래프 인코더를 구성하고, 공통 코드에서 희귀 코드로의 단방향 정보 흐름을 위해 엣지를 설정한다. 희귀 코드의 존재를 조건으로 한 공통 코드의 조건부 확률에서 파생된 확률 기반 바이어스를 인코더의 어텐션 모듈에 주입하는 공기 인코딩(Co-occurrence Encoding) 방식을 사용한다. 또한, 대규모 언어 모델(LLM)을 사용하여 코드에 대한 포괄적인 설명을 생성하고, 초기 임베딩을 임상 맥락 및 공기 정보를 통해 풍부하게 하여 코드 시스템의 통계적 공기 관계에 대한 외부 지식으로 활용한다. 세 개의 자동 ICD 코딩 벤치마크 데이터셋에 대한 실험 결과, 제안하는 방법이 롱테일 분류의 핵심 지표인 Macro-F1에서 특히 주목할 만한 개선을 보이며 최첨단 성능을 달성했다.
