PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.19398v1cs.AI

HyGRL: 다중 개체 질문을 위한 적응형 하이브리드 그래프 추론

HyGRL: Adaptive Hybrid Graph Reasoning for Multi-Entity Questions

다중 개체 조합 질문은 기존 검색-증강 생성(RAG) 언어 모델에 상당한 도전 과제를 제기한다. 기존 방법은 딜레마에 빠진다: 표준 RAG는 동적 추론이 부족하고, 전통적인 Graph-RAG는 구조적 희소성에 제한되며, LLM이 구축한 Graph-RAG는 과도한 비용이 발생한다. 우리는 비구조화 텍스트를 구조화 지식 그래프에 임베딩하여 유연한 증거 검색을 위한 이종 네트워크를 구축하는 통합 프레임워크인 HyGRL을 제안한다. 추론은 적응형 구조 유도로 공식화되며, 견고한 2단계 과정을 통해 학습된다: (1) 모방 학습(imitation learning)이 휴리스틱 전문가 신호를 증류하고, (2) 강화학습이 LLM 기반 선호 보상을 사용하여 정책을 정교화한다. 실험 결과 HyGRL은 텍스트의 풍부함과 구조적 지식을 효과적으로 융합하며, 극히 낮은 토큰 비용과 거의 실시간 추론을 유지하면서 답변 정확도와 추론 충실도에서 SOTA 베이스라인을 능가함을 보여준다 (코드: https://github.com/wjywjy123/HyGRL).

arXiv:2607.03447v1cs.IR

TRIAGE: 신뢰할 수 있는 검색 계측 및 그래프 평가

TRIAGE: Trustworthy Retrieval Instrumentation And Graph Evaluation

그래프 기반 검색-증강 생성(Graph-RAG)의 기반이 되는 지식 그래프(KG)는 전문가의 큐레이션이 아닌 LLM 기반 추출에 의해 자동으로 구축되는 경우가 점점 늘어나고 있다. 적절한 평가를 위해서는 추출, 그래프 구축, 추론 등 관련된 모든 단계를 계측하여 오류를 국소화할 수 있어야 하며, 특정 단계에서 발생한 실패가 최종 단계에서 오답으로만 발견되는 일이 없도록 해야 한다. 우리는 자동화된 문서 기반 Graph-RAG를 위한 단계 인식 계측 프레임워크 TRIAGE를 소개한다. TRIAGE는 기반 그래프의 신뢰 가능 여부뿐만 아니라 그래프 질의에 드는 비용까지 함께 묻는다. TRIAGE는 세 단계에 단계별로 독립적으로 해석 가능한 지표를 부착한다: KG 구현 단계(트리플 신뢰도, 출처 커버리지, 스키마 및 정규화 검사), 전문가에 의한 KG 검증 단계(그래프 수준 구조적 품질, 참조가 제공될 때 오프라인 캘리브레이션으로만 계산되는 정확성 및 완전성), KG 활용 단계(검색 커버리지, 충실도, 검색 비용). 배포된 지표는 골드 어노테이션이 필요 없으며, 골드 어노테이션을 요구하는 지표는 오프라인 캘리브레이션 용도로만 사용된다. 활용 시점에 이 지표들은 필요 조건들의 진단 체인을 형성하며, 처음으로 끊어진 연결고리가 실패를 국소화하고, 해당 진단은 이를 해결할 수 있는 단계별 조정 수단—추출, 그래프 및 스키마, 또는 검색—으로 매핑된다. TRIAGE는 개념 증명과 재현 가능한 평가 프로토콜을 갖춘 이론적 프레임워크다.