โมเดลพื้นฐานทางกราฟ (Graph Foundation Models) ในปัจจุบันมักจะตั้งสมมติฐานว่าหนึ่งโหนดมีได้แค่หนึ่งเลเบลหรือหนึ่งความหมาย ซึ่งทำให้เกิดปัญหา 'ความหมายพัลวัน' (Semantic Entanglement) เมื่อต้องจัดการกับข้อมูลที่มีหลายเลเบลพร้อมกัน
นักวิจัยจึงเสนอ MSB-GFM (Multi-Semantic Basis Graph Foundation Model) ที่ใช้การเรียนรู้แบบฐานความหมายหลายมิติ (Multi-semantic basis representation) ซึ่งมองว่าแต่ละโหนดเกิดจากการรวมตัวกันของ 'ฐาน' ความหมายต่างๆ อย่างอิสระ นอกจากนี้ยังมีสถาปัตยกรรม Dual-channel ที่แยกการจัดการโครงสร้างและเนื้อหาออกจากกัน พร้อมระบบ Domain Adversarial Training เพื่อให้โมเดลสามารถนำความรู้ไปใช้กับกราฟข้อมูลชนิดใหม่ๆ (Cross-domain) ได้อย่างมีประสิทธิภาพ
