동적 그래프(Dynamic graphs)는 실제 시스템에서 어디에나 존재하며, 일반화 가능한 동적 그래프 파운데이션 모델(Dynamic Graph Foundation Models)을 구축하는 것은 그래프 학습(graph learning)의 최전선이 되었습니다. 그러나 서로 다른 도메인의 동적 그래프는 그 의미적(semantic) 및 시간적(temporal) 패턴이 본질적으로 일치하지 않기 때문에 통합 모델링에 근본적인 과제를 제기하며, 이는 멀티 도메인 사전 학습(multi-domain pre-training)을 어렵게 만듭니다. 결과적으로, 널리 사용되는 "사전 학습 후 미세 조정(pretrain-then-finetune)" 패러다임은 종종 심각한 부정적 지식 전이(negative knowledge transfer) 문제를 겪습니다. 저희가 알고 있는 바로는, 현재 멀티 도메인 동적 GFM은 존재하지 않습니다. 본 연구에서는 분리 및 발산 조건부 프롬프팅(decoupled and divergence-conditioned prompting)을 기반으로 한 멀티 도메인 대상 동적 그래프 파운데이션 모델인 DyGFM을 제안합니다. 전이 가능한 의미론(transferable semantics)을 도메인 특화 동역학(domain-specific dynamics)으로부터 분리하기 위해, 저희는 의미-시간 분리(semantic-temporal decoupling)를 갖춘 이중 분기 사전 학습(dual-branch pre-training) 전략을 도입합니다. 도메인 적응(domain adaptation) 과정에서의 부정적 전이를 완화하기 위해, 저희는 발산 인지 전문가 선택(divergence-aware expert selection)을 포함하는 교차 도메인 라우팅 메커니즘(cross-domain routing mechanism)을 추가로 개발했습니다. 효율적인 다운스트림 미세 조정(downstream fine-tuning)을 가능하게 하기 위해, 의미적 및 시간적 특성에 맞춤화된 경량의 학습 가능한 그래프 프롬프트(graph prompts)를 주입하는 발산 조건부 프롬프트 생성기(divergence-conditioned prompt generator)를 설계했습니다. 연속적 동적 그래프 벤치마크에 대한 광범위한 실험을 통해, DyGFM이 노드 분류(node classification) 및 링크 예측(link prediction) 작업 모두에서 12개의 최첨단(state-of-the-art) 베이스라인 모델을 일관되게 능가하며, 우수한 효과성과 효율성을 달성함을 입증했습니다.