Wieloetykietowa klasyfikacja węzłów to znaczący problem w uczeniu się na grafach, gdzie poszczególne węzły mogą reprezentować wiele koncepcji jednocześnie. Problem w tym, że dotychczasowe podejścia są ograniczone do scenariuszy jednodomenowych - model trenuje się i testuje na tym samym grafie. Gdy trzeba zastosować model do innego rodzaju grafu, efekty są słabe. Dodatkowo istniejące Graph Foundation Models budują reprezentację każdego węzła jako pojedynczego wektora, co zmusza sieć do zakodowania wielu niezależnych znaczeń w jeden punkt przestrzeni. To prowadzi do mieszania się semantyk i utrudnia jednoczesne rozpoznawanie kilku etykiet.
Proponowane rozwiązanie, Multi-Semantic Basis Graph Foundation Model (MSB-GFM), podchodzi do problemu inaczej. Zamiast przedstawiać węzeł wieloetykietowy jako jeden wektor, model traktuje go jako elastyczną kombinację baz semantycznych. Każda baza odpowiada innej semantyce lub koncepcji, a węzeł jest reprezentowany jako adaptacyjna mieszanina tych baz. To podejście daje modelowi większą zdolność do kodowania wielu niezależnych znaczeń.
Ramework ma potencjał do uogólniania się na nowe domeny grafowe bez konieczności pełnego przetrenerowania. Badania nad foundation modelami w grafach są ważne, bo takie modele mogą działać jak BERT lub GPT dla tekstu - trenowane raz na dużych zbiorach, gotowe do użycia w wielu zadaniach. Wieloetykietowe węzły są częstym zjawiskiem w praktyce - na przykład użytkownik w mediach społecznych może być jednocześnie zainteresowany muzyką, podróżami i technologią.