본 논문은 오픈월드 시나리오에서의 텍스트 속성 그래프(TAG) 학습을 위해 대규모 언어 모델(LLM) 기반의 새로운 프레임워크인 Open-world Graph Assistant (OGA)를 제안합니다. 기존 방법들이 제한된 레이블과 알 수 없는 클래스 노드에 대한 데이터 불확실성을 제대로 처리하지 못하는 한계를 극복하고자, OGA는 의미와 토폴로지를 통합한 적응형 레이블 추적성을 통해 알 수 없는 클래스를 배제하고, 새롭게 주석이 달린 노드를 사용하여 모델을 업데이트하는 그래프 레이블 주석기를 결합합니다. 실험 결과 OGA의 효과성과 실용성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 오픈월드 시나리오에서의 TAG 학습 문제를 효과적으로 해결하는 새로운 접근 방식을 제시.
◦
적응형 레이블 추적성을 통해 의미와 구조 정보를 통합하여 알 수 없는 클래스 노드를 효과적으로 처리.
