Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 그래프 계산 분야에서 LLMs의 활용 가능성과 한계를 역할 기반 분류 체계로 분석합니다. LLMs를 직접적인 실행자 또는 외부 도구를 사용하는 계획자로 구분하여 현재 기술의 강점과 향후 연구 방향을 제시합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델(LLMs)은 구조화된 관계와 알고리즘 연산에 대한 추론이 필요한 그래프 계산(graph computation) 분야에서 점점 더 많이 탐구되고 있습니다. 하지만 LLMs가 언제 이러한 계산을 안정적으로 지원할 수 있는지, 그리고 그래프 해결 파이프라인(graph-solving pipelines)에 어떻게 통합되어야 하는지는 여전히 불분명합니다. LLMs와 그래프의 교차점에 있는 기존 조사들은 주로 그래프 학습(graph learning), 텍스트 속성 그래프(text-attributed graphs), 또는 그래프-언어 모델링(graph-language modeling)에 초점을 맞추고 있습니다. 이러한 격차를 해소하기 위해, 본 논문에서는 역할 기반 분류 체계(role-based taxonomy)를 통해 그래프 계산을 위한 LLMs에 대한 포괄적인 검토를 제공합니다. 구체적으로, 우리는 두 가지 주요 패러다임을 식별합니다: i) 실행자로서의 LLMs(LLMs as executors), 즉 모델이 그래프 설명과 지침으로부터 그래프 작업을 직접 해결하는 방식; ii) 계획자로서의 LLMs(LLMs as planners), 즉 모델이 문제를 공식화하고, 추론 단계를 분해하며, 실행을 위해 외부 도구 또는 에이전트를 호출하는 방식입니다. 이 분류 체계를 바탕으로, 우리는 현재 방법들의 강점과 한계를 분석합니다. 우리의 검토 결과에 따르면, LLMs는 단순하고 소규모인 작업에는 유망하지만, 대규모 및 정확성을 요구하는 작업에는 여전히 신뢰할 수 없는 상태입니다. 마지막으로, 사용 가능한 데이터셋을 요약하고 네 가지 향후 방향을 제안합니다.