多标签节点分类是图学习中一个重要但具有挑战性的任务，其中节点同时表现出多个语义。现有的多标签节点分类方法可以有效地模拟多个标签，但仅考虑同域场景，即模型需要在同一个图域中训练和测试，导致跨域泛化能力有限。最近，图基础模型（Graph Foundation Models，GFMs）作为一种有前途的范式，用于学习可转移的图表示，这些表示可以跨多个图域和下游任务。然而，现有的GFMs建立在单标签假设之上，即所有节点被认为只包含一种语义类别并嵌入到单一表示中。对于多标签节点，这种表示本质上用一个点在表示空间中近似多个语义，必然导致语义缠绕，使得同时区分多个标签变得困难。为了解决这些局限性，我们提出了一种多语义基图基础模型（MSB-GFM）框架，用于跨域多标签节点分类。具体来说，我们引入了一种多语义基表示学习范式，模型每个多标签节点为语义基的自适应组合，从而实现灵活的表示能力以模拟多个语义。此外，我们开发了一个语义-结构双通道架构，采用域对抗训练，实现有效的跨域知识转移。广泛的实验表明了我们模型的有效性。 博主点评： 本文提出了一种多语义基图基础模型，解决了多标签节点分类中的语义缠绕问题，展现了跨域泛化能力，值得深入研究和应用。