연구진은 그래프 이상 탐지(GAD)를 위한 새로운 프레임워크 TERGAD을 제안했어요. TERGAD은 그래프 노드의 구조적 맥락을 고려하여 LLM의 추론 능력을 활용합니다.
노드 수준의 토폴로지적 특성을 자연어 설명으로 변환하고, LLM을 통해 고수준의 의미론적 임베딩을 생성하여 기존 노드 속성과 결합합니다.
실험 결과, TERGAD은 6개의 실제 데이터셋에서 기존 방법보다 뛰어난 성능을 보였으며, 구조적 의미론적 가이드의 중요성을 입증했어요.