본 논문은 그래프 컨트라스트 학습(GCL)의 확장성 문제를 해결하기 위해, 입력 그래프를 노드 집합의 소형 네트워크로 변환하는 효율적인 GCL 프레임워크를 제안한다. 커뮤니티 간의 구조적 정보를 보존하면서, 선형 복잡도를 가진 커널화된 그래프 커뮤니티 컨트라스트 손실을 도입하여 계층적 구조 정보를 포착한다. 또한, 분리된 GNN 아키텍처에 지식 증류 기술을 통합하여 추론 속도를 높이면서 강력한 일반화 성능을 유지한다. 다양한 규모의 16개 실제 데이터셋에 대한 실험 결과, 제안된 방법이 최첨단 GCL 기준선보다 효과와 확장성 면에서 우수함을 입증했다.
