연구진은 그래프 데이터의 특징 이질성을 해결하기 위해 학습 가능한 그래프 패치 개념을 제안했어요.
노드 특징을 펼치고 패치 구조를 구축하여 그래프를 의미 있는 최소 단위로 분해하고, 패치 인코더와 집계기를 설계했어요.
이 모델은 다양한 도메인의 그래프 데이터에서 전이 가능한 정보를 추출하고, 다양한 다운스트림 데이터셋과 작업에서 성능을 향상시켰어요.
연구 결과, 사전 훈련 데이터 양이 증가함에 따라 다운스트림 성능이 꾸준히 개선되는 것을 확인했어요.