본 논문에서는 다중 레이블 이미지 분류를 위한 새로운 그래프 기반 접근법인 다중 레이블 적응형 그래프 컨볼루션 네트워크(Multi-Label Adaptive Graph Convolutional Network, ML-AGCN)를 제안한다. 그래프 기반 방법은 다중 레이블 분류 분야에서 큰 잠재력을 보여왔다. 그러나 기존의 이러한 접근법들은 레이블 간 의존성을 모델링하기 위해 그래프 구조를 수동적으로 고정하는 방식을 사용하는데, 이는 최적의 구조가 아닐 수 있다. 이를 해결하기 위해, 우리는 그래프 구조를 엔드 투 엔드(end-to-end) 방식으로 학습하는 방법을 제안한다. 구체적으로, 그래프 노드 간의 쌍별 중요도를 추정하기 위해 어텐션 기반 메커니즘을 도입하고, 서로 다른 노드 간의 특징 유사성을 유지하기 위해 유사도 기반 메커니즘을 활용한다. 이를 통해 그래프를 더 유연하게 적응형으로 모델링할 수 있는 새로운 방식을 제공한다. 제안한 ML-AGCN의 성능은 MS-COCO와 VG-500이라는 두 가지 유명한 데이터셋에서 평가되었으며, 실험 결과 ML-AGCN이 최신 기술 대비 뛰어난 성능을 보이며 동시에 모델 파라미터 수를 감소시킴을 확인할 수 있었다.