본 논문은 그래프 학습에서 중요한 과제로 떠오른 분포 외(Out-of-Distribution, OOD) 일반화 문제를 해결하기 위해 다중 원형 초구면 불변 학습(Multi-Prototype Hyperspherical Invariant Learning, MPHIL) 방법을 제안합니다. 기존 그래프 불변 학습(Graph Invariant Learning, GIL) 방법들의 한계인 다양한 환경 모델링의 어려움과 의미론적 단절(semantic cliff) 문제를 해결하기 위해, MPHIL은 초구면 불변 표현 추출과 다중 원형 초구면 분류라는 두 가지 혁신적인 기술을 도입합니다. 초구면 불변 표현 추출은 강건하고 차별적인 특징을 추출하며, 다중 원형 초구면 분류는 명시적인 환경 모델링 없이도 클래스 원형을 중간 변수로 사용하여 의미론적 단절 문제를 완화합니다. 불변 원형 매칭 손실과 원형 분리 손실이라는 두 가지 새로운 목적 함수를 도입하여 성능을 향상시켰으며, 11개의 OOD 일반화 벤치마크 데이터셋에 대한 실험 결과, 기존 방법들을 상당히 능가하는 최첨단 성능을 달성했습니다.
