LLM과 그래프 기반 표현의 통합이 추론·검색·구조적 의사결정에 확대되지만 언제·왜·어디서·어떤 유형의 그래프-LLM 통합이 적합한지는 명확하지 않다. 이 서베이는 목적(추론·검색·생성·추천), 그래프 양식(지식 그래프·씬 그래프·인터랙션·인과·의존성), 통합 전략(프롬프팅·증강·훈련·에이전트 사용)으로 기존 방법을 분류. 사이버보안·의료·재료과학·금융·로봇·멀티모달 등 도메인의 대표 작업을 매핑해 각 기법의 강점·한계·적합 시나리오 정리.
- •LLM × 그래프 통합에 대한 체계적 서베이
- •4개 목적 × 5개 그래프 양식 × 4개 통합 전략 분류
- •사이버보안·의료·재료·금융·로봇 등 도메인 매핑
- •언제·왜·어디서·어떤 유형이 적합한지 실용 가이드
- •각 기법의 강점·한계·적합 시나리오 정리
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Integrating Graphs, Large Language Models, and Agents: Reasoning and Retrieval
- 1.그래프 × LLM 통합 전략의 체계적 지도
- 2.도메인별 최적 선택 가이드 제공
- 3.LLM 기반 구조적 추론 연구의 참고 지도
왜 중요한가?
RAG가 벡터 검색에서 그래프 증강으로 진화하는 흐름에서 이 서베이는 어떤 그래프 통합을 언제 쓸지 실무자가 판단할 수 있는 청사진을 제공.
본문 미리보기
arXiv:2604.15951v1 Announce Type: new Abstract: Generative AI, particularly Large Language Models, increasingly integrates graph-based representations to enhance reasoning, retrieval, and structured decision-making. Despite rapid advances, there remains limited clarity regarding when, why, where, and what types of graph-LLM integrations are most appropriate across applications. This survey provides a concise, structured overview of the design choices underlying the integration of graphs with LL
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:32AI 초안
