최근 그래프 인공지능(AI) 분야에서 사전학습된 그래프 모델을 특정 작업에 효율적으로 적용하기 위한 프롬프트 학습(prompt learning) 패러다임이 주목받고 있습니다. 하지만 기존의 다중 작업 그래프 사전학습(multi-task graph pre-training) 방식은 프롬프트를 무작위로 초기화하는 경향이 있어, 프롬프트 공간과 그래프 구조적 특성 간의 정렬이 부족하다는 한계가 있었습니다. 이는 프롬프트 표현의 작업 관련성, 구조 인식 능력, 그리고 전이 학습(transferability) 성능을 저해하는 주요 원인으로 지적되어 왔습니다.
이러한 문제를 해결하기 위해, 중국과학원(Chinese Academy of Sciences) 연구진은 TPGC(Task-Specific Prompt with Global Context)라는 새로운 이중 선험 지식(dual-prior) 기반 프롬프트 초기화 솔루션을 제안했습니다. TPGC는 작업별 선험 지식(task prior)과 구조적 선험 지식(structural prior) 간의 시너지를 명시적으로 모델링합니다. 구체적으로, '작업 선험 주입 모듈(Task-Prior Injection Module)'은 보조 그래프(auxiliary graph)에서 짧은 동종 다중 작업 사전학습을 수행하여, 여러 사전학습 작업과 관련된 최적화 선호도를 프롬프트 초기화에 반영합니다. 이어서 '구조 선험 주입 모듈(Structure-Prior Injection Module)'은 작업 인지(task-aware) 표현을 기반으로 보조 그래프에서 전이 가능한 전역 구조적 맥락(global structural context)을 추출하고, 이를 구조적으로 유익한 노드 임베딩(node embedding)을 집계하여 계층별 프롬프트 벡터로 변환합니다.
연구팀은 노드 및 그래프 분류를 포함하는 6가지 주요 벤치마크에서 광범위한 실험을 진행했습니다. 그 결과, TPGC는 소수샷(few-shot) 설정에서 최신 기준 모델들보다 지속적으로 우수한 성능을 달성했으며, 동시에 미세조정(fine-tuning)에 필요한 매개변수(parameter) 수는 적고 런타임은 더 짧은 효율성을 보였습니다. 이는 TPGC가 적은 자원으로도 그래프 모델의 적응 능력을 크게 향상시킬 수 있음을 의미하며, 의료, 소셜 네트워크 분석 등 다양한 실제 응용 분야에서 그래프 인공지능(AI) 모델의 활용도를 높이는 데 기여할 것으로 기대됩니다. 이번 연구는 그래프 프롬프트 학습의 효율성과 효과를 한 단계 끌어올리는 중요한 진전으로 평가됩니다.