แนวคิดหลัก
대규모 언어 모델은 다양한 그래프 분석 과제를 해결할 수 있는 강력한 일반화 능력을 보유하고 있으며, 그래프 학습 모델에 비해 수작업 주석 비용을 줄이고 일반화 능력을 높일 수 있다.
บทคัดย่อ
이 논문은 대규모 언어 모델(LLM)을 활용한 그래프 데이터 분석에 대한 종합적인 조사를 수행한다. 구체적으로 LLM 기반 생성형 그래프 분석(LLM-GGA) 분야를 3가지 범주로 나누어 살펴본다:
LLM 기반 그래프 질의 처리(LLM-GQP): 그래프 이해 및 지식 그래프 기반 증강 검색 등의 과제를 다룬다.
LLM 기반 그래프 추론 및 학습(LLM-GIL): 그래프 학습, 그래프 기반 추론 및 그래프 표현 등의 과제를 다룬다.
그래프-LLM 기반 응용: LLM-GGA 프레임워크를 활용하여 추천 시스템 등의 비그래프 과제를 해결한다.
이를 통해 LLM의 그래프 분석 능력을 종합적으로 분석하고, 향후 연구 방향을 제시한다.
สถิติ
그래프 크기 계산 과제에서 LLM은 정확하게 노드 수와 간선 수를 예측할 수 있다.
그래프 경로 찾기 과제에서 LLM은 단순 경로와 최단 경로를 모두 찾을 수 있다.
최대 유량 문제에서 LLM은 정확한 해답을 제공할 수 있다.
이분 그래프 매칭 문제에서 LLM은 최대 매칭을 찾을 수 있다.
คำพูด
"대규모 언어 모델은 다양한 NLP 및 멀티모드 과제를 처리하여 사용자의 임의 질문과 특정 도메인 콘텐츠 생성에 강력한 일반화 능력을 보여주고 있다."
"그래프 학습 모델에 비해 대규모 언어 모델은 그래프 과제의 일반화 문제를 해결하는 데 있어 우수한 장점을 가지고 있으며, 그래프 학습 모델 학습의 필요성과 수작업 주석 비용을 줄일 수 있다."