본 논문은 그래프 신경망(GNN)을 이용한 링크 예측(LP)에서 나타나는 한계점들을 해결하기 위해 사전 훈련(pretraining) 기법을 제안합니다. 기존 GNN 기반 LP 방법들은 희소한 연결성으로 인한 제한적인 지도 학습, 초기값 민감성, 그리고 분포 이동에 대한 일반화 성능 저하 등의 문제점을 가지고 있습니다. 본 연구는 노드와 에지 레벨 정보를 통합하는 쌍(pairwise) 작업인 LP의 특성을 고려하여, 노드 및 에지 정보를 처리하는 서로 다른 모듈의 전이 학습 가능성을 체계적으로 연구하고, 이들의 출력을 효과적으로 결합하는 후기 융합(late fusion) 전략을 제시합니다. 다양한 사전 훈련 데이터를 처리하고 음의 전이(negative transfer)를 방지하기 위해 전문가 혼합(MoE) 프레임워크를 도입하여 다양한 패턴을 별도의 전문가들이 학습하도록 하며, 효율적인 파라미터 튜닝 전략을 통해 새로운 데이터셋에 대한 적응을 빠르게 수행합니다. 16개의 데이터셋에 대한 실험 결과, 본 연구의 접근 방식은 저자원 링크 예측에서 최첨단 성능을 달성하고, 전체 학습 방식과 비교하여 경쟁력 있는 결과를 얻으면서 10,000배 이상의 계산 비용 절감 효과를 보였습니다.
