LLaGA: Large Language and Graph Assistant

Graph Neural Networks (GNNs) have empowered the advance in graph-structured data analysis. Recently, the rise of Large Language Models (LLMs) like GPT-4 has heralded a new era in deep learning. However, their application to graph data poses distinct challenges due to the inherent difficulty of translating graph structures to language. To this end, we introduce the Large Language and Graph Assistant (LLaGA), an innovative model that effectively integrates LLM capabilities to handle the complexities of graph-structured data. LLaGA retains the general-purpose nature of LLMs while adapting graph data into a format compatible with LLM input. LLaGA achieves this by reorganizing graph nodes to structure-aware sequences and then mapping these into the token embedding space through a versatile projector. LLaGA excels in versatility, generalizability and interpretability, allowing it to perform consistently well across different datasets and tasks, extend its ability to unseen datasets or tasks, and provide explanations for graphs. Our extensive experiments across popular graph benchmarks show that LLaGA delivers outstanding performance across four datasets and three tasks using one single model, surpassing state-of-the-art graph models in both supervised and zero-shot scenarios. Our code is available at \url{https://github.com/VITA-Group/LLaGA}.

한 줄 요약

LLaGA는 그래프 구조 데이터를 LLM과 호환 가능한 토큰 임베딩 공간으로 매핑하여 다양한 그래프 작업에서 뛰어난 성능을 보이는 통합 모델이다.

핵심 기여도

**LLaGA 프레임워크**를 제안하여 그래프 구조를 언어 모델과 통합.
**구조 인식 시퀀스 재구성**과 **다목적 토큰 프로젝터**를 통해 그래프-토큰 공간의 일관된 정렬을 달성.
**단일 모델**로 4개 데이터셋, 3개 작업에서 최신 그래프 모델을 초과하는 성능.
**제로샷 학습** 환경에서도 뛰어난 일반화 능력 보임.

핵심 아이디어

LLaGA는 기존 GNN의 단일 작업 중심성과 LLM의 언어 중심성의 한계를 극복하기 위해, 그래프 구조를 언어로 변환하지 않고 **노드 시퀀스**로 재구성한 후, **다목적 토큰 프로젝터**를 통해 토큰 임베딩 공간으로 매핑한다. 이 방식은 구조 정보를 손실 없이 유지하면서 LLM의 일반성을 보존한다.

기존 연구는 그래프를 자연어로 변환하는 방식을 사용했지만, 이는 반복적이고 직관적이지 못한 설명을 유발했다. LLaGA는 **노드 레벨 템플릿**을 사용하여 중심 노드 주변의 구조 정보를 반영하면서도, **파라미터 없는 변환**을 통해 구조의 원래 정체성을 유지한다.

또한, **질문-답변 형식**의 다 작업 학습을 통해 작업별 손실 함수나 헤드 없이도 여러 작업을 동시에 학습할 수 있다. 이는 기존 GNN의 다 작업 학습과는 차별화된 접근법이다.

기술적 접근법

**노드 시퀀스 재구성**: 그래프 노드를 구조 인식 시퀀스로 변환.
**노드 레벨 템플릿**: 중심 노드 주변 구조 정보를 반영한 템플릿을 사용.
**다목적 토큰 프로젝터**: 노드 임베딩을 토큰 임베딩 공간으로 매핑.
**질문-답변 형식 학습**: 노드 분류, 링크 예측, 노드 설명 작업을 동일한 형식으로 학습.
**하이퍼파라미터**: 프로젝터는 여러 그래프 데이터셋과 작업에 걸쳐 학습됨.

주요 결과

**4개 데이터셋**, **3개 작업**(노드 분류, 링크 예측, 노드 설명)에서 단일 모델로 최신 그래프 모델을 초과.
**제로샷 환경**에서도 뛰어난 일반화 성능.
**LLaGA는 최초의 단일 모델**로, 다양한 데이터셋과 작업에서 일관된 성능을 보임.
**노드 임베딩 설명 생성** 기능을 통해 해석 가능성을 제공.

의의 및 한계

LLaGA는 LLM의 일반성을 유지하면서 그래프 작업에 적용 가능한 새로운 통합 프레임워크를 제시한다. 기존 GNN의 작업별 특화 문제와 LLM의 구조 정보 처리 문제를 동시에 해결하며, **단일 모델로 다 작업 학습**이 가능하다는 점에서 학술적·실용적 가치가 크다.

그러나, **구체적인 성능 수치**(예: 정확도, F1 점수 등)는 초록에 명시되지 않았으며, **프로젝터의 학습 과정**에 대한 세부 정보도 부재하다. 또한, **대규모 그래프 데이터셋**에서의 확장성이나 **실시간 성능**에 대한 평가도 명시되지 않았다.

실용적 활용

LLaGA는 **소셜 네트워크 분석**, **바이오정보학**, **추천 시스템** 등 다양한 산업 분야에서 그래프 데이터를 다룰 때 유용하게 활용될 수 있다. 특히, **제로샷 학습** 환경에서의 일반화 능력은 새로운 데이터셋에 빠르게 적용할 수 있는 장점을 제공한다.