GNN에서 동일 그래프 기반의 다중 작업 전이 학습: 프로토콜 및 예측 모델

Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors

많은 실제 그래프는 동일한 기본 구조를 기반으로 여러 예측 작업을 지원하며, 이를 통해 노드 분류(NC)와 링크 예측(LP) 간에 지도 정보를 재사용할 수 있는 기회가 있습니다. 그러나 기존 평가 방법은 종종 호환되지 않는 데이터 분할 방식, 관측된 그래프 가정을 사용하고, 부정 샘플링 규칙에 의존하여 동일 그래프 기반의 다중 작업 전이 학습에 대한 결론을 신뢰하기 어렵게 만듭니다. 본 논문에서는 동일 그래프에서의 NC-LP 전이 학습을 형식화하고, 노드와 엣지의 분할 방식을 고정하고, 평가 대상 엣지를 제외한 공유 메시지 전달 그래프를 사용하며, LP의 경우 고정된 부정 샘플을 사용하는 누수 없는 프로토콜을 제안합니다. GCN, GraphSAGE, GPS 세 가지 모델을 사용하여 분석한 결과, 전이 학습은 방향성이 강하고 예측 가능했습니다. 노드 분류에서 링크 예측으로의 전이는 동질성 그래프에서 일관되게 성능 향상을 가져왔지만, 링크 예측에서 노드 분류로의 전이는 불안정하며, 단순한 표현 재사용 시 오히려 정확도가 저하될 수 있습니다. 링크 예측에서 노드 분류로의 전이가 긍정적인 결과를 보이는 경우는 주로 구조가 중요한 영역이며, 링크 예측이 쉬운 반면 노드 분류는 아직 충분히 학습되지 않은 경우에 해당합니다. 이는 링크 예측이 구조적 사전 학습 역할을 한다는 것을 시사합니다. 마지막으로, 공유 인코더가 두 가지 작업을 모두 수행해야 할 때의 NC+LP의 전체 유용성을 요약하는 CoTask Score (CTS)를 소개하고, 간단한 데이터셋 통계, 특히 동질성 정도가 메커니즘 선택을 안내하고 부정적인 전이 학습을 방지하는 데 도움이 될 수 있음을 보여줍니다.

Many real-world graphs support multiple predictive tasks over the same underlying structure, creating an opportunity to reuse supervision across node classification (NC) and link prediction (LP). However, existing evaluations often rely on incompatible splits, observed-graph assumptions, and negative sampling rules, making conclusions about same-graph cross-task transfer unreliable. We formalize same-graph NC-LP transfer and propose a leakage-free protocol that fixes node and edge splits, uses a shared message-passing graph that excludes evaluated edges, and employs fixed negatives for LP. Across three backbones (GCN, GraphSAGE, GPS), we find that transfer is strongly directional and predictable: NC $\to$ LP is consistently beneficial on homophilic graphs, while LP $\to$ NC is fragile and can even degrade accuracy under naive representation reuse. LP $\to$ NC becomes reliably positive mainly in a structure-dominant regime where LP is easy but NC is unsaturated, suggesting that LP acts as structural pretraining. Finally, we introduce the CoTask Score (CTS) to summarize joint NC+LP utility when a shared encoder must serve both tasks, and show that simple dataset statistics, especially homophily, can guide mechanism choice and help avoid negative transfer.