PolyUQuest는 웹 페이지를 단순 텍스트로 처리하는 기존 RAG 시스템의 한계를 극복하기 위해, 페이지 간 하이퍼링크 토폴로지·DOM 계층 구조·개체-관계 지식을 통합한 이종 그래프(heterogeneous graph) 기반의 구조 인식 웹 RAG 프레임워크를 제안한다. 2단계 라우터로 직접 블록 검색, 페이지 간 그래프 순회, 다중 홉 개체 추론 중 쿼리에 적합한 검색 모드를 선택하며, PolyU 공식 웹사이트 4,240개 페이지 대상 평가에서 기존 RAG 시스템 대비 답변 정확성·커버리지·충실도 모두 향상시키면서 LLM 토큰 소비를 크게 줄였다.
대사공학에서 고부가가치 화학물질을 생산하는 미생물 균주 설계를 위해, 유전자·단백질·대사물질·발효 실험 등 13가지 노드 유형과 34가지 엣지 유형으로 구성된 690만 노드 규모의 지식 그래프(Knowledge Graph)에 ESM-2, MoLFormer, PubMedBERT를 결합한 이종 그래프 파운데이션 모델(Heterogeneous Graph Foundation Model) Canopy를 제안한다. 발효 역가(titer) 예측 태스크에서 Canopy 임베딩은 R²=0.41을 달성하여 테이블형 기계학습 베이스라인(최고 R²=0.24)과 동종 GNN 변형 모델을 모두 능가했다.
대규모 이종 그래프에서 HGNN 학습의 계산 비용 문제를 해결하기 위해, 타깃 노드와 비타깃 노드의 역할 비대칭성을 활용한 역할 인식 하이브리드 클러스터링 기반 그래프 압축 프레임워크 HGC-RC를 제안한다. HGC-RC는 경량 전파로 의미론적 임베딩을 추출한 후 클래스 분할 클러스터링과 비지도 타입별 클러스터링을 결합하여 기존 최적화 기반 방법 대비 낮은 압축 비용으로 최신 기준 모델들을 능가하는 성능을 달성한다.
다중 제품 키팅 배송은 가공과 조립을 통합한 하이브리드 제조 시스템에서의 실시간 스케줄링에 상당한 어려움을 부과한다. 동적 주문 도착이 공급 의존성과 실현 가능한 작업-기계 할당 집합을 동시에 변화시키기 때문이다. 본 논문은 복잡한 키팅 제약 조건을 갖는 유연 조립 흐름 공정 스케줄링 문제(flexible assembly flow shop scheduling problem)에서의 엔드투엔드 온라인 스케줄링을 위한 슬라이딩 윈도우 기반 강화학습(SWRL) 프레임워크를 제안한다. 해당 문제는 이중 층(layer) 키팅 구조와 희소 보상(reward) 환경을 유발하는 말단 제품 병목 동태를 포착하는 이종 그래프 기반 마르코프 결정 과정(Markov decision process)으로 정식화된다. 이에 따른 문제를 해결하기 위해 SWRL은 세 가지 구성 요소를 통합한다: 비활성 노드를 필터링하고 키팅 핵심 작업을 우선시하는 슬라이딩 윈도우 필터링 메커니즘, 연속적인 결정 상태에 걸쳐 병목 변화를 추적하는 시공간 그래프 인코딩 네트워크, 그리고 가변 토폴로지 하의 변화하는 행동 공간에 적응하는 제약적 대기 전략을 갖춘 동적 행동 매핑 모듈이다. 가전 제조업체의 실제 인스턴스를 대상으로 한 실험에서 SWRL은 고전적 디스패칭 규칙 및 기존 심층 강화학습(deep reinforcement learning) 방법 대비 일관된 납기 지연 감소를 달성하였으며, 다양한 자원 구성, 주문 부하, 도착 집중도에 걸쳐 강건한 성능을 보였다.
이종 그래프 신경망(HGNN)의 현실적인 블랙박스 적대적 공격 취약성을 탐구하기 위해, 모델 파라미터·그라디언트·전체 그래프 구조에 접근하지 않고 1홉 로컬 이웃 정보와 소수의 하드 레이블 쿼리만으로 공격하는 프레임워크 Blackknife를 제안한다. Blackknife는 로컬 대리 모델(surrogate model)을 구성하고 투영 경사하강법으로 에지 섭동(perturbation)을 최적화하여 ACM, DBLP, IMDB 벤치마크에서 위상 기반 방어 전략 하에서도 높은 공격 성공률을 달성했다.
우리는 테이블 질의응답을 위한 생성자-인코더-브리지 파이프라인인 GRAB을 소개한다. 본 방법은 관계형 데이터를 이종 그래프로 변환하고, 메시지 패싱을 통해 인코딩한 뒤, 쿼리 조건부 잠재 토큰의 소규모 집합을 통해 대규모 언어 모델(LLM)에 신호를 전달한다. 이를 통해 LLM에 평탄화된 텍스트와 함께 컴팩트하고 태스크 관련성 높은 구조적 표현을 제공한다. 핵심적으로, LLM은 범용 추론 능력을 보존하기 위해 완전히 동결 상태를 유지하며, 경량 그래프 인코더와 잠재 브리지(9,100만 파라미터)만을 학습시켜 전체 파이프라인을 효율적으로 훈련할 수 있다. 본 파이프라인은 관계형 질의응답 성능을 크게 향상시키며, 특히 까다로운 다중 테이블 환경에서 가장 큰 성능 향상을 보임으로써, 관계형 심층 학습과 LLM을 연결하는 효율적이고 원칙적인 방법을 제시한다.