LLM здесь не ищет сообщества, а пишет правила для графа

Самое интересное в LUCID — не заявление о рекордной точности, а смена роли LLM. Модель здесь не получает готовые примеры «правильных» сообществ и не размечает узлы напрямую. Она переводит неявные знания в формальные правила, по которым затем обрабатывается граф.

Это важный компромисс. Классические методы плохо справляются со сложными структурами, а глубокие модели часто выигрывают в качестве ценой объяснимости и требуют размеченных данных. LUCID пытается забрать лучшее от обоих подходов: работать без учителя, но оставлять после себя логические структуры, которые можно интерпретировать.

Процесс разбит на четыре этапа. Сначала система смотрит на локальные окрестности узлов и определяет их роли. Затем объединяет локальные сообщества по правилам, созданным LLM, после чего уточняет их границы на разных уровнях детализации. В финале выбираются группы с высокой топологической компактностью и чёткими границами.

Получается не «спросили у чат-бота, кто с кем дружит», а конвейер, где LLM участвует в формулировке правил, а графовые критерии — в проверке результата. Такой дизайн потенциально полезнее для задач, где нужно не только найти группу, но и объяснить, почему узлы оказались вместе.

Но к результатам стоит относиться спокойно. В доступной аннотации нет численных результатов, списка наборов данных, сравнения стоимости или подробностей о том, какие именно правила генерирует LLM. Формулировка state-of-the-art заявлена авторами, однако без этих деталей нельзя оценить воспроизводимость метода и понять, насколько его объяснимость независима от качества и поведения конкретной языковой модели.

Главный вопрос здесь не в том, сможет ли LLM найти сообщества, а в том, доверим ли мы ему формулировку правил, по которым потом будем объяснять структуру реальных сетей? Источник: cs.AI updates on arXiv.org