PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.26664v1cs.CR

TGHE: 엣지-클라우드 시스템에서 프라이버시 보존 GNN 추론을 위한 템플릿 기반 그래프 동형 암호

TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems

기존 동형 암호(HE) 기반 GNN 추론은 전역 그래프 크기에 쿼리 비용이 연동되어 대규모·동적 금융 그래프에 한계가 있지만, TGHE는 거래 그래프의 지역 계산 트리가 소수 템플릿 형태로 수렴한다는 현상을 활용해 엣지에서 ego-graph를 정규형으로 묶고 구조가 같은 트리를 공유 CKKS 암호문에 패킹해 SIMD 병렬 암호화 추론을 수행한다. DGraphFin(370만 노드, 430만 엣지)에서 TGHE-Collapse는 순차 암호화 기준선 대비 66.9배 속도 향상을 달성하며 AUC 손실은 0.002 미만이다.

arXiv:2606.11562v1cs.LG

GraphInfer-Bench: 그래프 상에서의 LLM 추론 능력 벤치마킹

GraphInfer-Bench: Benchmarking LLM's Inference Capability on Graphs

그래프 분석은 단일 레코드에서 조회하거나 경로를 따라 검색할 수 없는 답을 요구하는 많은 응용 분야의 기반을 둡니다: 자금 세탁 조직, 약물 재목적화, 사용자 선호도, 과학적 주제는 모두 노드와 그 이웃을 함께 고려하여 추론됩니다. 우리는 LLM이 이러한 그래프 추론을 수행할 수 있는지 여부를 평가하는 벤치마크인 GraphInfer-Bench를 소개합니다: 이는 어떤 단일 노드에도 포함되지 않고 경로를 통해 검색되지 않는 개방형 답변을 생성하는 것입니다. 기존의 그래프 질의응답 프로토콜은 이 능력을 테스트할 수 없습니다: 알고리즘 시뮬레이션, 노드 분류, 단일 노드 설명, KG-QA, GraphRAG는 모두 하나의 노드나 경로에서 검색 가능한 답변을 가능하게 합니다. GraphInfer-Bench는 설명(영역이 무엇인지)과 비교(영역이 어떻게 다른지)를 따라 5가지 작업을 정의하며, 각 작업은 정답이 단일 노드에 존재하지 않도록 구성되었습니다. 이 릴리스는 6개의 실제 그래프에 걸쳐 42,000개의 샘플을 포함하며, 자동으로 생성되고 4계층 품질 관리 프로토콜을 통해 선별되었습니다. 우리는 동일한 작업에 대해 4가지 방법 계열을 평가합니다: 그래프-토큰 정렬 모델, 제로샷 최첨단 폐쇄형 LLM, Graph2Text 지도 미세조정, 그리고 구조적 참조로서의 순수 GNN입니다. 어떤 방법 계열도 격차를 해소하지 못했습니다. 그래프-토큰 정렬은 설명 작업(관계형, 주제)을 부분적으로 처리하지만 비교 작업에서는 실패합니다. 최첨단 LLM은 LLM 기반 방법 중 이상치 탐지와 커뮤니티 분할에서 앞서지만 마스크된 노드 예측에서는 뒤처집니다. Graph2Text SFT는 설명 측면에서 가장 강력한 LLM 기반 방법이지만 비교에서는 최첨단 LLM에 뒤처집니다. 모든 작업에 걸쳐, 순수 GNN은 가장 강력한 LLM 기반 방법과 대등하거나 이를 능가하며, 커뮤니티 탐지에서 가장 큰 마진으로 앞섭니다. GraphInfer-Bench는 그래프 추론이 특정 아키텍처의 속성이 아니라 해결되지 않은 능력 격차임을 드러냅니다.