텍스트를 플랫한 토큰 시퀀스로 처리하는 기존 프롬프트 압축 방식의 한계를 극복하기 위해, RAGP는 세밀한 어텐션 기반 의존성과 거친 의미론적 관계를 동시에 모델링하는 멀티플렉스 그래프(multiplex graph) 위에서 중복 인식 그래프 가지치기(Redundancy-Aware Graph Pruning)를 수행한다. 밀집된 지역 서브그래프와 희소한 전역 연결이 혼재하는 이종 구조를 효율적으로 탐색하기 위해 Lévy walk를 도입하였으며, LongBench 벤치마크에서 4배 압축 비율로 평균 49.3점을 달성해 3배 압축의 LongLLMLingua(48.8점)를 능가하는 성능을 보였다.
데이터 융합(data fusion)은 관측 데이터(observational data)와 실험 데이터(experimental data)를 결합하는 과정으로, 그렇지 않았다면 식별 불가능(non-identifiable)했을 인과 효과(causal effects)의 식별을 가능하게 할 수 있습니다. 특정 시나리오에 대한 식별 알고리즘들이 개발되었지만, 특히 변수가 일부 데이터 소스(data sources)에는 존재하고 다른 곳에는 없는 경우, do-calculus는 인과 데이터 융합을 위한 유일한 범용 도구로 남아 있습니다. 그러나 do-calculus에 기반한 접근 방식은 변수의 수가 증가하고 인과 그래프(causal graph)가 복잡해짐에 따라 계산적 어려움에 직면할 수 있습니다. 결과적으로, 핵심 특징(essential features)을 보존하면서 이러한 모델의 크기를 줄일 필요가 있습니다. 이를 위해, 본 연구는 인과 데이터 융합을 위한 전처리 연산으로 가지치기(pruning, 불필요한 변수 제거)와 군집화(clustering, 변수 결합)를 제안합니다. 단일 데이터 소스(single data source)에 대한 기존 결과를 일반화하고, 다중 데이터 소스(multiple data sources)의 경우 가지치기와 군집화를 적용하기 위한 조건을 도출합니다. 더 작은 그래프를 기반으로 더 큰 그래프에서 인과 효과의 식별 가능성(identifiability) 또는 식별 불가능성(non-identifiability)을 추론하기 위한 충분 조건(sufficient conditions)을 제공하고, 식별 가능한 인과 효과에 대해 해당 식별 함수(identifying functional)를 구하는 방법을 제시합니다. 역학(epidemiology) 및 사회과학(social science)의 예시를 통해 연구 결과의 활용성을 입증합니다.