การตรวจหาชุมชนในกราฟเป็นงานพื้นฐานที่สำคัญแต่เดิมมักจะขาดความสามารถในการตีความ (Interpretability) หรืองานที่เน้น Deep Learning ก็ต้องใช้ข้อมูลสอนจำนวนมาก งานวิจัยนี้จึงนำเสนอ LUCID ซึ่งเป็นเฟรมเวิร์กที่ได้รับแรงบันดาลใจจากจลนศาสตร์การเปลี่ยนเฟสในธรรมชาติ โดยแบ่งกระบวนการออกเป็น 4 ขั้นตอน: การเริ่มต้นชุมชนจากมุมมองโลคอล, การรวมกลุ่มด้วยหลายปัจจัย, การขัดเกลาชุมชน และการเลือกชุมชนจากมุมมองโกลบอล
จุดเด่นของ LUCID คือการให้ Large Language Model (LLM) เป็นตัว 'สัญลักษณ์' (Symbolizer) ที่เปลี่ยนความรู้แฝงให้กลายเป็นกฎเชิงตรรกะที่ชัดเจน (Formal Rules) ทำให้ระบบสามารถตัดสินใจรวมหรือแยกกลุ่มข้อมูลได้อย่างมีเหตุผลและตรวจสอบได้ ผลการทดลองพบว่าให้ความแม่นยำระดับ State-of-the-art แม้จะเป็นวิธีแบบไม่ต้องสอนก็ตาม
