연구 아이디어 생성 (Research idea generation)은 자동화된 과학 연구에서 혁신을 이끄는 단계입니다. 최근 대규모 언어 모델 (LLMs)은 대규모 아이디어 생성을 자동화할 수 있는 잠재력을 보여주었습니다. 그러나 기존 방법들은 참고 문헌 사이의 구조적 관계를 버리지 않은 채, 주로 관련 문헌의 정적 검색 (static retrieval)이나 복잡한 프롬프트 엔지니어링 (prompt engineering)을 통해 LLM이 아이디어를 도출하도록 조건화하는 데 그치고 있습니다. 우리는 각 시드 논문 (seed paper)에 대해 2-hop 참고 문헌 이웃 (reference neighborhood)을 추출하고, 인용 위치, 빈도, 선행 링크 (predecessor links), 출판 시간을 통해 해당 참고 문헌들 사이의 관계를 도출하며, 이를 논문 진화 유향 비순환 그래프 (paper-evolution directed acyclic graph, DAG)로 구성하는 지도 미세 조정 (supervised fine-tuning) 방법인 Graphs of Research (GoR)를 제안합니다. 우리는 5개의 주요 ML/NLP 학술 대회로부터 데이터를 추출하는 자동화된 추출 파이프라인을 구축하였으며, 이는 498/50/50개의 훈련/검증/테스트 시드 논문과 약 7,600개의 인용된 참고 문헌으로 구성됩니다. Qwen2.5-7B-Instruct-1M은 인용 그래프, 에지 신호 (edge signals), 참고 문헌 정보 및 작업 정의를 포함하는 구조화된 텍스트 프롬프트 상에서 시드 논문의 아이디어를 예측하도록 미세 조정되었습니다. gpt-4o 기반 베이스라인과의 LLM-judge 토너먼트 전면 비교 결과, GoR-SFT는 SOTA (State-of-the-art)를 달성하며 LLM 기반 아이디어 생성을 위한 지도 신호로서 인용 진화 그래프의 효과를 입증했습니다. 우리는 이것이 지도 학습으로서 인용 진화 그래프를 사용하는 장벽을 낮추어, 자동화된 과학적 혁신을 가속화하기를 바랍니다.