본 논문은 실세계 그래프 데이터가 갖는 네 가지 주요 과제(불완전성, 불균형, 도메인 간 이질성, 동적 불안정성)를 해결하기 위해 대규모 언어 모델(LLM)을 그래프 학습과 통합하는 방법을 종합적으로 검토합니다. 기존의 그래프 학습 방법의 한계점을 지적하고, LLM이 풍부한 의미적 추론과 외부 지식을 활용하여 이러한 과제를 해결할 수 있는 잠재력을 제시합니다. 각 과제에 대한 기존 해결책과 LLM 기반 접근 방식을 비교 분석하며, LLM이 제공하는 고유한 장점을 강조합니다. 마지막으로, 향후 연구 방향과 미해결 과제를 논의하고 관련 연구 목록을 제공하는 GitHub 저장소를 소개합니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용한 그래프 학습의 새로운 가능성을 제시하고, 기존 방법의 한계를 극복할 수 있는 대안을 제시합니다.
◦
실세계 그래프 데이터의 불완전성, 불균형, 이질성, 동적 변화 등의 문제 해결에 대한 통찰력을 제공합니다.
◦
LLM 기반 그래프 학습 분야의 최신 연구 동향을 종합적으로 정리하고, 추가 연구를 위한 유용한 정보와 리소스를 제공합니다.
•
한계점:
◦
LLM 기반 그래프 학습 방법의 성능 평가 및 비교 분석에 대한 자세한 내용이 부족할 수 있습니다.
