노드 표현 학습 (Node representation learning)은 빠르게 발전해 왔으나, 대부분의 기존 방법론은 데이터셋별 학습 (per-dataset training) 및 하이퍼파라미터 튜닝 (hyperparameter tuning)에 의존합니다. 이러한 데이터셋 특화 최적화 (dataset-specific optimization)는 다양한 그래프 데이터셋에 걸쳐 일반화될 수 있는 재사용 가능한 그래프 모델을 설계하는 것이 어렵기 때문에 발생합니다. 본 연구에서는 어떠한 데이터셋 특화 최적화 없이도 임의의 그래프 데이터셋에 적용 가능한 노드 표현 학습기인 Node4All을 소개합니다. Node4All은 두 가지 상호 보완적인 아이디어를 기반으로 구축되었습니다. 아키텍처 수준에서는 임의의 그래프 데이터셋을 처리할 수 있도록 단일 고정 파라미터화 (fixed parameterization)를 가능하게 하는 Channel Graph Transformer (CGT)를 도입합니다. 학습 수준에서는 일련의 합성 그래프 (synthetic graphs)를 기반으로 한 자기지도 학습 (self-supervised learning)을 제안합니다. 이 구성 요소들은 결합되어 기존의 아키텍처 및 학습 프레임워크로는 불가능했던 개별 데이터셋을 넘어선 일반화 (generalization)를 가능하게 합니다. 우리는 21개의 베이스라인 (baselines)과 비교하여 25개의 벤치마크 전반에 걸친 노드 분류 (node classification) 작업에서 Node4All을 광범위하게 평가하였으며, 여기에는 지도 학습 (supervised) 및 자기지도 학습 (self-supervised) 방법이 모두 포함되었습니다. 모든 베이스라인이 각 데이터셋에 대해 학습되고 최적화되었음에도 불구하고, 데이터셋 전체에 균일하게 적용된 단일 Node4All은 21개의 베이스라인 중 5위라는 경쟁력 있는 순위를 달성했습니다. 또한, Node4All은 적절한 예측기 (predictor)를 통해 원샷 학습 (one-shot learning) 및 인컨텍스트 학습 (in-context learning)을 지원하며, 이러한 설정에서 최근의 그래프 파운데이션 모델 (Graph Foundation Models, GFMs)보다 뛰어난 성능을 보입니다. 이러한 결과는 Node4All이 임의의 그래프 데이터셋에 대해 재사용성을 달성할 뿐만 아니라, 실제 환경에서도 효과적인 솔루션임을 입증합니다. 코드와 모델 체크포인트는 https://github.com/dooho00/node4all 에서 확인할 수 있습니다.