대규모 언어 모델은 그래프 계산에 적합한가? 진전과 전망
Are Large Language Models Suitable for Graph Computation? Progress and Prospects
대규모 언어 모델(LLM)은 구조화된 관계와 알고리즘 연산에 대한 추론이 필요한 작업인 그래프 계산(graph computation)을 위해 점점 더 많이 탐색되고 있습니다. 그러나 LLM이 언제 이러한 계산을 신뢰할 수 있게 지원할 수 있는지, 그리고 그래프 해결 파이프라인에 어떻게 통합되어야 하는지는 여전히 불분명합니다. LLM과 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, 우리는 역할 기반 분류법(taxonomy)을 통해 그래프 계산을 위한 LLM에 대한 포괄적인 리뷰를 제공합니다. 구체적으로, 우리는 두 가지 주요 패러다임을 식별합니다: i) LLM을 실행자(executor)로 사용하는 경우, 모델이 그래프 설명과 지시사항을 통해 그래프 작업을 직접 해결합니다; ii) LLM을 계획자(planner)로 사용하는 경우, 모델이 문제를 정의하고, 추론 단계를 분해하며, 실행을 위해 외부 도구나 에이전트(agent)를 호출합니다. 이 분류법을 기반으로 현재 방법들의 강점과 한계를 분석합니다. 리뷰 결과에 따르면, LLM은 단순하고 소규모 작업에는 유망하지만 대규모이고 정확성이 요구되는 작업에는 여전히 신뢰할 수 없는 것으로 나타났습니다. 마지막으로, 사용 가능한 데이터셋(dataset)을 요약하고 네 가지 향후 방향을 제안합니다.