본 논문은 대규모 언어 모델(LLM) 기반 그래프 프레임워크인 GraphLLM의 강건성(robustness)에 대한 연구를 제시합니다. GraphLLM은 노드의 텍스트 속성, 노드 이웃의 구조 정보, 그리고 작업 특정 프롬프트를 통합하여 LLM의 추론 능력을 활용합니다. 논문에서는 텍스트, 그래프 구조, 프롬프트 조작의 세 가지 차원에서 GraphLLM에 대한 적대적 공격(adversarial attacks)의 취약성을 평가하는 TrustGLM을 소개합니다. 여러 벤치마크 데이터셋을 사용한 실험을 통해 GraphLLM이 텍스트 공격(노드의 텍스트 속성에서 의미적으로 유사한 단어를 몇 개만 바꾸는 공격)에 매우 취약함을 보였고, 표준 그래프 구조 공격 및 프롬프트 템플릿에서 후보 레이블 집합을 무작위로 섞는 공격에도 성능이 크게 저하되는 것을 확인했습니다. 또한, 데이터 증강 학습과 적대적 학습을 통해 각 공격 벡터에 맞춘 방어 기법을 조사하여 GraphLLM의 강건성을 향상시킬 가능성을 보여줍니다. 개방형 소스 라이브러리를 통해 빠르고 공정한 평가를 촉진하고, 이 분야의 추가 연구를 장려하고자 합니다.
