본 논문은 과업 특정 지도 없이 보이지 않는 그래프 과업에 일반화하는 문제를 해결하기 위해, GNN의 고정된 레이블 공간의 한계와 LLM의 구조적 귀납적 편향 부족을 극복하는 새로운 접근법을 제시합니다. Large Reasoning Models (LRMs)을 활용하여 노드 분류, 링크 예측, 그래프 분류와 같은 그래프 과업을 텍스트 추론 문제로 재구성합니다. 이를 위해 각 과업에 대한 상세한 추론 추적이 포함된 새로운 데이터셋을 제시하고, 과업 특정 재고려 템플릿을 활용하여 선형화된 그래프에 대한 추론을 안내하는 강화 학습 프레임워크인 Graph-R1을 개발했습니다. 실험 결과, Graph-R1은 제로샷 설정에서 최첨단 기준 모델들을 능가하는 해석 가능하고 효과적인 예측을 생성하는 것을 보여줍니다. 본 연구는 명시적 추론을 통한 그래프 학습의 가능성을 강조하고 미래 연구를 위한 새로운 자료를 제공합니다.
