본 논문은 속성 그래프에서 이상 노드 탐지를 위한 포괄적인 벤치마크인 TAG-AD를 소개합니다. TAG-AD는 대규모 언어 모델(LLM)을 활용하여 실제와 유사한 이상 노드 텍스트를 생성하고, 다양한 유형의 이상치를 포함하여 그래프 이상 탐지(GAD) 방법의 철저하고 재현 가능한 평가를 가능하게 합니다. 또한, 기존의 GNN 기반 GAD 방법과 제로샷 LLM을 벤치마킹하고, 검색 증강 생성(RAG)을 활용한 LLM 기반 제로샷 이상 탐지 프레임워크를 제안하여 수동 프롬프트 엔지니어링 없이 인간이 설계한 프롬프트와 유사한 성능을 달성합니다.
시사점, 한계점
•
시사점:
◦
TAG-AD는 자연어 형태로 노드 정보가 표현된 텍스트 속성 그래프(TAG)에 대한 표준화된 벤치마크를 제공합니다.
◦
LLM을 활용하여 실제와 유사한 이상 노드 텍스트를 생성하여 현실적인 이상 탐지를 가능하게 합니다.
◦
다양한 유형의 이상치를 포함하여 GAD 방법의 포괄적인 평가를 지원합니다.
◦
RAG-assisted LLM 기반 제로샷 이상 탐지 프레임워크는 수동 프롬프트 엔지니어링 없이 효과적인 성능을 보여줍니다.
◦
실험 결과는 LLM과 GNN 기반 방법의 강점을 명확하게 구분하여, 상황적 이상 탐지에는 LLM이, 구조적 이상 탐지에는 GNN이 더 효과적임을 보여줍니다.
