해석 가능한 비지도 학습 기반 커뮤니티 발견 방법

커뮤니티 탐지의 중요성

그래프 분석에서 동질한 집단을 식별하는 데 목표를 둔 커뮤니티 탐지는 기본적인 작업입니다. 기존의 목표 지향적인 방법은 복잡한 그래프 구조에 직면하여 어려움을 겪고 있지만, 깊은 학습 기반 접근법은 해석 가능성과 함께 레이블이 필요하며 학습이 필요합니다. 대규모 언어 모델(LLM)은 해석 가능한 레이블이 없는 커뮤니티 탐지에 hứ부로 보입니다.

강력한 논리적 추론 능력과 세계 지식이 있는 대규모 언어 모델(LLM)은 해석 가능한 레이블이 없는 커뮤니티 탐지에 유용한 도구입니다. 이러한 강점을 활용하기 위해 새로운 방법이 제안되었습니다.

LUCID 방법의 특징

새로운 방법은 LUCID라고 하며, LLM을 이용하여 해석 가능한 레이블이 없는 커뮤니티 탐지를 수행합니다. LUCID는 자연계의 단계 전이 역학에서 복잡한 구조가 초기화, 병합, 정교화, 선택을 통해 형성되는 것에 영감을 얻어 설계되었습니다. 이 방법은 4단계 PIPELINE으로 구성되어 있으며, LLM은 암묵적인 지식을 명확하고 해석 가능한 논리 구조로 번역하는 형식적 규칙을 유도합니다.

LUCID의 PIPELINE 내에서 지역 시점 커뮤니티 초기화 단계, 다중 요인 커뮤니티 병합 단계, 다중 격자 커뮤니티 정교화 단계, 전역 시점 커뮤니티 선택 단계가 수행됩니다. 실제 데이터셋에 대한 광범위한 실험은 LUCID가 비지도 접근법으로써 우수한 성능을 달성하고 상위 학습된 비지도 및 반지도 학습 기초선을 지속적으로 능가한다는 것을 보여줍니다.