본 논문은 새로운 의도를 발견하는 과제(New Intent Discovery, NID)를 해결하기 위해 경량 NID 인코더의 의미적 표현을 대규모 언어 모델(LLM)의 안내를 통해 향상시키는 LANID 프레임워크를 제안합니다. 기존 방법들이 부적절한 의미적 표현이나 확장성이 떨어지는 외부 지식에 의존하는 한계를 극복하기 위해, LLM의 제로샷 능력을 활용하면서도 실제 적용에 적합하도록 경량화를 추구합니다. LANID는 $K$-최근접 이웃 및 DBSCAN 알고리즘을 사용하여 훈련 세트에서 선택적인 발화 쌍을 샘플링하고, 이 쌍들의 관계를 LLM으로 확인하여 얻은 데이터를 이용해 대조적 미세 조정 작업을 설계합니다. 이를 통해 작은 인코더를 대조적 triplet 손실 함수로 훈련시키는 방식입니다. 실험 결과 세 가지 NID 데이터셋에서 기존 방법들을 능가하는 성능을 보였으며, 비지도 및 준지도 학습 환경 모두에서 효과적임을 입증했습니다. 소스 코드는 깃허브에서 공개됩니다.
