그래프는 다양한 데이터 유형에 걸친 기본 구조

Graph is a Substrate Across Data Modalities

그래프는 다양한 분야에서 나타나는 관계 구조를 자연스럽게 표현합니다. 하지만 일반적으로 그래프 구조는 모달리티 및 작업에 따라 분리된 방식으로 학습됩니다. 즉, 그래프 표현은 개별 작업 컨텍스트 내에서 생성되고 이후에 버려집니다. 결과적으로, 모달리티 및 작업 간의 구조적 정규성은 중간 그래프 표현 수준에서 축적되는 대신 반복적으로 재구성됩니다. 이는 다음과 같은 표현 학습 문제를 제기합니다. 그래프 구조는 어떻게 구성되어야 하는가? 그래야 다양한 모달리티와 작업에 걸쳐 지속되고 축적될 수 있습니다. 본 연구에서는 그래프 구조를 학습 컨텍스트에 걸쳐 지속되는 구조적 기반으로 간주하는 표현 중심의 관점을 채택합니다. 이러한 관점을 구현하기 위해, 학습을 공유된 그래프 구조 중심으로 구성하는 그래프 기반 프레임워크인 G-Substrate를 제안합니다. G-Substrate는 다음과 같은 두 가지 상호 보완적인 메커니즘으로 구성됩니다. 첫째, 다양한 모달리티와 작업 간의 그래프 표현 호환성을 보장하는 통합된 구조적 스키마, 둘째, 동일한 그래프 구조를 학습 과정에서 여러 기능적 역할에 노출시키는 교차 역할 기반 학습 전략입니다. 여러 분야, 모달리티 및 작업을 대상으로 한 실험 결과, G-Substrate는 작업에 분리된 학습 방법 및 기본적인 멀티태스크 학습 방법보다 우수한 성능을 보였습니다.

Graphs provide a natural representation of relational structure that arises across diverse domains. Despite this ubiquity, graph structure is typically learned in a modality- and task-isolated manner, where graph representations are constructed within individual task contexts and discarded thereafter. As a result, structural regularities across modalities and tasks are repeatedly reconstructed rather than accumulated at the level of intermediate graph representations. This motivates a representation-learning question: how should graph structure be organized so that it can persist and accumulate across heterogeneous modalities and tasks? We adopt a representation-centric perspective in which graph structure is treated as a structural substrate that persists across learning contexts. To instantiate this perspective, we propose G-Substrate, a graph substrate framework that organizes learning around shared graph structures. G-Substrate comprises two complementary mechanisms: a unified structural schema that ensures compatibility among graph representations across heterogeneous modalities and tasks, and an interleaved role-based training strategy that exposes the same graph structure to multiple functional roles during learning. Experiments across multiple domains, modalities, and tasks show that G-Substrate outperforms task-isolated and naive multi-task learning methods.