Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
텍스트 속성 그래프(TAG)에서 노드와 이웃 간의 의미론적 불일치를 탐지하는 N2NSC 프레임워크를 제안합니다. LLM과 그래프 위상 정보를 결합하여 텍스트 의미론과 구조적 관계 사이의 대응 관계를 효과적으로 포착합니다.
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 바로가기텍스트 속성 그래프 (Text-Attributed Graphs, TAGs)에서의 그래프 이상 탐지 (Graph Anomaly Detection, GAD)는 사기 탐지 및 학술적 무결성 검증과 같은 응용 분야에서 매우 중요합니다. 기존의 접근 방식은 일반적으로 두 가지 패러다임으로 나뉩니다. GNN (Graph Neural Network) 기반 방법은 구조적 패턴을 효과적으로 포착하지만, 미세한 텍스트 의미론 (Textual Semantics)을 포착하는 데 어려움을 겪습니다. LLM (Large Language Model)을 그래프와 통합하는 방법은 의미론적 이해를 개선하지만, 이웃 노드들 사이의 위상 관계 (Topological Relationships)를 완전히 이해하지 못합니다. 더욱이, 두 패러다임 모두 텍스트 의미론과 그래프 위상 관계 사이의 대응 관계를 간과하며, 이로 인해 의미론이 이웃과 일치하지 않는 노드를 식별하는 능력이 제한됩니다. 본 논문에서 우리는 TAG 이상 탐지를 노드-이웃 간 의미론적 일관성 (Node-to-Neighborhood Semantic Consistency) 문제로 공식화하며, 여기서 이상치는 노드와 그 이웃 사이의 텍스트 의미론적 불일치 또는 위상적 편차(Topological Deviation)로부터 발생할 수 있습니다. 우리는 두 가지 상호 보완적인 융합 경로를 통해 그래프 위상과 텍스트 의미론 사이의 대응 관계를 포착하는 프레임워크인 N2NSC (Node-to-Neighborhood Semantic Consistency)를 제안합니다. 이 두 경로는 시너지 효과를 내며, LLM이 이상 탐지를 위해 텍스트 및 구조적 이웃 정보를 모두 충분히 활용할 수 있도록 합니다. 8개의 데이터셋에 걸친 광범위한 실험을 통해 N2NSC가 현재의 최첨단 (State-of-the-art) 방법들을 지속적으로 능가함을 입증합니다.