우리는 부분적으로 사용 가능한 쌍별 노드 레이블(pairwise node labels)은 존재하지만 노드 특징(node features)은 없는 그래프 환경에서, 확장 가능한 노드 표현 학습 (node representation learning)을 위한 빠르고 통합된 프레임워크인 Contrastive FUSE를 소개합니다. 기존 방법들과 달리, 우리는 커뮤니티 인지 구조 신호 (community-aware structural signals)를 부호가 있는 쌍별 제약 조건 (signed pairwise constraints)과 통합하는 스펙트럼 대조 목적 함수 (spectral contrastive objective)를 직접 최적화합니다. 대규모 학습을 지원하기 위해, 우리는 비용이 많이 드는 모듈성 그래디언트 (modularity gradient)를 경량화된 근사치 (lightweight approximation)로 대체하였으며, 이는 모듈성 (modularity)의 구조 탐색적 동작을 유지하면서 계산 비용을 크게 줄여줍니다. 이를 통해 자연스러운 그래디언트 분해 (gradient decomposition)와 적응형 학습률 스케일링 (adaptive learning-rate scaling)을 갖춘 효율적인 최적화 체계를 구축하여, 수백만 개의 에지 (edge)를 가진 그래프에서도 빠른 반복 업데이트를 가능하게 합니다. 벤치마크 인용 네트워크 (citation networks), 대규모 공동 구매 그래프 (co-purchase graphs), 그리고 OGB 데이터셋에 대한 광범위한 실험 결과, Contrastive FUSE는 노드 특징에 의존하지 않고도 경쟁력 있거나 우수한 대조 분류 (contrastive classification) 성능을 달성하는 동시에, 기존 베이스라인 대비 상당한 실행 시간 이점을 제공함을 보여줍니다. 이러한 결과는 효율적이고 확장 가능한 대조 노드 표현 학습을 위해 모듈성에서 영감을 얻은 구조적 학습 (structural learning)과 대조 지도 학습 (contrastive supervision)을 결합하는 것의 효과를 강조합니다.