수집 중
본 논문은 지식 그래프 기반 질의응답에서 의미적 관련성과 구조적 추론 경로를 동시에 포착하기 위해 HybRAG를 제안합니다. 의미 노드 수준 검색기와 구조 경로 수준 검색기를 통합하여 하이브리드 부분그래프를 구성하고, 검색 증강 미세조정을 통해 모델의 추론 능력을 향상시킵니다. WebQSP와 CWQ 벤치마크에서 단일 검색기 기반 방법을 능가하는 성능을 달성합니다.
본 논문은 대규모 언어모델(LLM)을 활용하여 인용 네트워크를 구축하는 방법을 제안합니다. 메타데이터의 부족한 필드에 대해 LLM으로 생성한 설명을 DeBERTa로 인코딩하여 이질적 네트워크의 노드 특성으로 통합하며, Chain-of-Thought 프롬프팅으로 환각을 완화합니다. 실험 결과 저자 분류에서 2.0%-4.5%, 저자 클러스터링에서 8.9%-18.1%의 성능 향상을 달성합니다.
본 논문은 부호가 있는 네트워크에서 비지도 커뮤니티 탐지를 위한 CR-SGCN 프레임워크를 제시합니다. 부호가 있는 GCN 인코더, 소프트 커뮤니티 할당 계층, 차수 보정 확률 블록 모델 디코더를 결합하며, 엣지 수준의 부호가 있는 전도도 정규화를 통해 커뮤니티 내 임베딩은 가깝게, 커뮤니티 간 임베딩은 멀게 유지합니다. 실제 부호가 있는 네트워크 실험에서 기존 방법 대비 부호가 있는 모듈성과 구조적 분리에서 일관된 성능 향상을 보입니다.
본 논문은 그래프 신경망(GNN) 기반 노드 회귀 작업에서 공정성을 다루는 FnRGNN 프레임워크를 제안합니다. 구조 수준의 엣지 재가중치, 표현 수준의 MMD 정렬, 예측 수준의 Sinkhorn 기반 분포 매칭의 세 가지 개입을 통해 다층적 공정성을 보장합니다. 네 개의 실제 데이터셋 실험에서 FnRGNN은 성능 저하 없이 그룹 간 불공정성을 감소시킵니다.