본 논문은 대규모 언어 모델(LLM)의 추론 능력 향상을 위한 새로운 프레임워크를 제안합니다. 기존의 구조적 추론 방법들이 과제 특정 프롬프트와 미리 정의된 추론 과정에 의존하는 한계를 극복하기 위해, 본 논문에서는 그래프 학습을 활용하여 LLM의 유연하고 적응적인 추론 능력을 향상시키는 방법을 제시합니다. 문제 해결 과정을 그래프로 모델링하고, LLM 기반 그래프 학습을 통해 각 추론 단계를 적응적으로 생성합니다. 추가적으로, 그래프 신경망(GNN) 모듈을 도입하여 생성된 추론 과정에 대한 표현 학습을 수행함으로써 모델과 프롬프트를 실시간으로 조정합니다. 실험 결과, 추가적인 훈련이나 과제 특정 프롬프트 설계 없이 다양한 과제에서 추론 성능이 크게 향상됨을 보여줍니다.
