NeSy-RAG: 설명 가능한 질의응답을 위한 신경-기호 RAG
NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering
검색-증강 생성(RAG)은 텍스트 말뭉치와 같은 외부 지식에 대규모 언어 모델(LLM)을 그라운딩(grounding)하여 질의응답 성능을 향상시킵니다. 그러나 RAG의 추론 과정은 여전히 불투명한 부분이 많습니다. 중간 추론 단계는 검증하기 어렵고 특정 근거에 안정적으로 귀속시킬 수 없습니다. 또한 사용자별 누락된 맥락을 체계적으로 감지하는 경우가 드물어 불완전하거나 부정확한 출력이 자주 발생합니다. 본 논문에서는 검색된 텍스트 청크로부터 귀속 가능한 프롤로그(Prolog) 모듈을 합성하는 모듈형 신경-기호(neuro-symbolic) RAG 프레임워크인 NeSy-RAG를 제안합니다. 시스템은 각 청크에 대해 사용자 사실(fact)에 의존할 수 있는 불리언(Boolean) 주장을 인코딩하는 의미론적으로 유의미한 술어를 생성합니다. 결합 자연어-코드 임베딩을 사용하여 술어를 검색하고 프롤로그 쿼리로 합성합니다. 불완전한 사용자 맥락 문제를 해결하기 위해, 진릿값이 쿼리 결과에 영향을 미치는 누락된 사용자 사실을 식별하고 후속 상호작용을 자동으로 유도하는 기호 지식 격차 감지 메커니즘을 도입합니다. 결과 프롤로그 쿼리를 실행하면 각 추론 단계를 원래 출처와 연결하는 투명한 실행 추적과 함께 결정론적인 답변이 생성됩니다. ShARC 벤치마크에서 NeSy-RAG는 도메인 특화 학습(training) 없이 61.1%의 정확도를 달성하여 42.8%의 정확도를 기록한 동일 모델 RAG 기준선(baseline)을 능가했습니다.