그래프 인지 적응형 노이징을 통한 사실 기반 및 편집 감수성 그래프-시퀀스 생성

요약

본 논문은 그래프-시퀀스 생성(G2S)의 두 가지 주요 문제점인 사실적 근거와 편집 감수성 문제를 해결하기 위해 '그래프 인지 언어 모델(DLM4G)'이라는 비오토리그레시브 확산 프레임워크를 제안합니다. DLM4G는 입력 그래프에 조건부 반복 정제를 적용하며, 적응형 노이징 전략을 사용하여 엔티티 및 관계 토큰의 노이즈에 맞춰 변조함으로써 그래프 구조 보존과 지역적 업데이트 능력을 개선했습니다. 실험 결과, DLM4G는 기존 오토리그레시브 모델이나 확산 기반 모델 대비 사실적 근거와 편집 감수성 모두에서 일관되게 우수한 성능 향상을 입증했으며, 분자 캡셔닝 등 다양한 분야로의 일반화 가능성을 보여주었습니다.

핵심 포인트

• G2S 문제 해결을 위해 비오토리그레시브 확산 프레임워크인 DLM4G를 제안함.
• 적응형 노이징 전략을 사용하여 그래프 구조 보존 및 지역적 업데이트 능력을 개선함.
• 기존 오토리그레시브 모델 대비 사실적 근거(FGT)와 편집 감수성(ESR)에서 높은 성능 향상을 달성함.
• 대규모 LLM 기반의 G2S 생성에 대한 강력한 대안을 제시하며, 분자 캡셔닝 등 다양한 과학 분야로 적용 가능함을 입증함.