GraphScout: Empowering Large Language Models with Intrinsic Exploration Ability for Agentic Graph Reasoning

Created by

Haebom

저자

Yuchen Ying, Weiqi Jiang, Tongya Zheng, Yu Wang, Shunyu Liu, Kaixuan Chen, Mingli Song

💡 개요

본 논문은 대규모 언어 모델(LLM)이 지식 그래프를 효과적으로 탐색하고 추론하는 능력을 내재화하도록 돕는 GraphScout라는 새로운 훈련 중심의 에이전트형 그래프 추론 프레임워크를 제안합니다. GraphScout는 수동으로 설계된 가이드라인과 제한된 도구에 의존하는 기존 방식의 한계를 극복하고, LLM이 자율적으로 지식 그래프와 상호작용하여 구조화된 훈련 데이터를 생성하도록 합니다. 이를 통해 LLM은 노동 집약적인 수동 주석이나 작업 큐레이션 없이도 에이전트형 그래프 추론 능력을 습득하며, 다양한 지식 그래프 도메인에서 뛰어난 성능 향상을 보여줍니다.

🔑 시사점 및 한계

•

LLM이 지식 그래프에 대한 내재적인 탐색 능력을 갖추도록 훈련하는 새로운 패러다임을 제시합니다.

•

수동 작업 부담을 줄이고, 효율적인 훈련 데이터 생성을 통해 LLM의 그래프 추론 성능을 크게 향상시킬 수 있습니다.

•

다양한 지식 그래프 도메인 간의 강건한 전이 학습 성능을 입증합니다.

•

본 연구는 훈련 데이터 생성에 초점을 맞추고 있으므로, 실시간 추론 시 LLM의 응답 속도 및 효율성 측면에서 추가적인 최적화가 필요할 수 있습니다.

PDF 보기

Made with Slashpage