PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.24236v2cs.CL

CAGE: 장문 질의응답에서 충실한 인라인 인용 생성을 위한 인지적 귀속 그래프

CAGE: Cognitive Attribution Graphs for Faithful Inline Citation Generation in Long-Form Question Answering

장문 질의응답은 대규모 언어 모델(LLM) 출력을 검증 가능하게 만들기 위해 검색된 근거에 점점 더 의존하고 있으며, 인라인 인용이 주장을 원본 문서에 연결한다. 그러나 기존 시스템은 주제적으로는 관련 있지만 주장을 뒷받침하기에 불충분한 인용을 붙이는 경우가 많다. 우리는 귀속 모호성(attribution ambiguity)을 구조적 과제로 식별한다. 종단 간(end-to-end) 생성은 조합론적 주장-문서 할당을 암묵적으로 해결해야 하며, 이는 증거적 경계를 모호하게 하고 주장이 인용된 근거를 초과하는 증거-경계 초과(evidence-boundary overrun) 위험을 높인다. 이 과제를 해결하기 위해, 우리는 CAGE(Cognitive Attribution Graphs for Citation Generation)를 제안한다. 이는 답변 생성 전에 명시적인 인지적 귀속 맵을 도입하는 2단계 프레임워크이다. CAGE는 먼저 플러그 앤 플레이(plug-and-play) 인지 맵 유도 모델(Cognitive Map Induction Model)을 학습하여 답변 중심 지원 서브그래프를 구성하고, 명시적 관계를 통해 각 의미적 답변 단위를 지원 문서와 정렬한다. 그다음 구조화된 인용 추론 모델(Structured Citation Reasoning Model)이 이러한 단위를 맵에 정렬된 인용과 함께 문장 수준 주장으로 구현한다. ASQA, ELI5, ExpertQA에서의 실험은 CAGE가 최첨단(state-of-the-art) 성능을 달성함을 보여주며, 귀속 공간 수축(attribution-space contraction)과 맵 기반 인용 생성(map-guided citation generation)의 효과를 입증한다.

arXiv:2606.07130v1cs.CL

구조화된 인라인 인용 생성을 통한 명시적 증거 그라운딩

Explicit Evidence Grounding via Structured Inline Citation Generation

AI 시스템이 더 널리 도입됨에 따라 사실적이고 충실한 생성에 대한 수요가 증가하고 있습니다. 따라서 인용을 통해 정보에 적절히 출처를 표시하는 것이 중요해집니다. 본 연구는 FullCite를 소개합니다. 이 프레임워크는 대부분의 이전 연구와 달리, 각 주장을 소스 문서와 뒷받침하는 증거 모두에 연결하는 구조화된 인라인 인용을 생성합니다. FullCite는 인라인 인용 생성을 위한 세 가지 전략을 제안합니다: 프롬프트 기반 생성, 인용 문법에 대한 제약 디코딩, 그리고 사후 스판 정렬입니다. ASQA, BioASQ, ExpertQA라는 세 가지 질의응답 벤치마크를 사용하여, 우리는 문서 수준 정확도, 증거 스판 식별, 주장-인용 충실도라는 세 가지 차원에서 인용 품질과 충실도를 평가합니다. 평가 결과, 대규모 언어 모델(LLM)이 관련 문서를 식별하는 데는 일반적으로 효과적이지만, 문서 내 정확한 뒷받침 스판을 식별하는 데는 어려움을 겪는 것으로 나타났습니다. 이러한 격차는 충실한 속성 QA를 달성하기 위해서는 정확한 증거 스판 식별에 더 큰 비중을 두는 연구가 필요함을 시사합니다.