그래프에서 유사한 행동·관심사를 가진 노드 집단(커뮤니티)을 찾는 커뮤니티 탐지는 기존 목표함수 기반 방법은 복잡한 그래프 구조에 취약하고, 딥러닝 기반 방법은 성능은 높지만 해석 가능성이 떨어지고 라벨 데이터와 훈련이 필요하다는 한계가 있었다. 연구진은 LLM의 추론 능력과 세계 지식을 활용해 해석 가능하고 라벨이 필요 없는 'LUCID'를 제안했다. 자연계의 상전이 과정에서 착안해 지역 뷰 초기화, 다중 요인 병합, 다중 단위 정제, 전역 뷰 선택의 4단계 파이프라인으로 구성되며, LLM이 암묵적 지식을 명시적이고 해석 가능한 논리 규칙으로 변환한다. 실제 데이터셋 실험에서 LUCID는 비지도 방식임에도 최고 수준의 성능을 보이며 기존 비지도·준지도 기준 모델들을 일관되게 능가했다.

• •LUCID는 훈련이나 라벨 데이터 없이 LLM 추론으로 커뮤니티를 탐지하는 방법이다.
• •자연계 상전이 과정에서 착안한 초기화·병합·정제·선택 4단계 파이프라인으로 구성된다.
• •LLM이 암묵적 지식을 명시적·해석 가능한 논리 규칙으로 변환하는 것이 핵심이다.
• •실제 데이터션 실험에서 비지도 방식임에도 최고 수준(SOTA) 성능을 기록했다.
• •기존 비지도·준지도 기준 모델들을 일관되게 능가했다.