관계를 독립 임베딩으로 다루고 MetaBary 계층을 쌓아 교차 도메인 브리지를 찾는 bary-vector

커뮤니티 반응은 호기심과 검증 요청이 섞여 있는 상태였다. 많은 사용자가 구조적 관계를 독립 문서로 다루는 접근에 흥미를 보였고 실험적 재현과 벤치마크 비교를 권유했다. 일부 댓글은 스케일·메모리 비용과 실제 응용에서의 해석 가능성 문제를 지적하며 추가 증거를 요구했다.

• 직접적인 비교를 위해 GraphRAG/RAPTOR 스타일의 계층적 검색 파이프라인을 동일 데이터셋에서 벤치마크하되 동일한 임베딩과 재순위 절차를 사용해 성능 차이를 분리해야 한다.
• 교차 도메인 브리지의 신뢰도를 평가하려면 도메인 전문가가 검증 가능한 probe 쿼리 목록을 만들고 해당 쿼리 결과의 브리지 유의미성을 수동 라벨링해 정량화해야 한다.
• 대규모 적용 가능성을 살피려면 메모리·쿼리 지연·인덱스 크기를 측정한 후 비용 대비 이득을 프로파일링하는 것이 필요하다.

BaryEdge

— 두 개체 간 관계 자체를 별도의 문서로 임베딩한 표현으로, 단일 엣지의 메타데이터가 아니라 검색 가능한 독립 문서가 된다. 입력으로 관련된 두 개체 임베딩과 관계 유형 임베딩을 가중합한 후 정규화해 벡터를 만든다. 이렇게 하면 관계 중심의 유사도 계산과 관계 간 재귀적 연결을 통한 고차원 구조 탐색이 가능하다.

MetaBary

— 같은 수준의 BaryEdge 두 개를 아래 레벨의 세 번째 BaryEdge로 연결해 만든 삼자 구조(triad)의 재귀적 계층을 뜻한다. 기본 레벨 임베딩 외 추가 임베딩 호출 없이 선대수 연산으로 상위 추상 계층을 쌓는 방식이다. 이 구조는 노드 간 간접적·고차원적 연결을 표면화해 도메인 간 브리지를 발견하게 한다.

RAG

— 외부 문서 검색 결과를 모델 입력으로 주입해 응답을 생성하는 패턴으로, 검색 단계와 생성 단계를 조합해 정보 보강을 수행한다. 본문에서는 표준 RAG가 엣지 자체의 구조 정보를 보존하지 못해 도메인 간 관계를 포착하지 못한다고 지적됐다. BaryEdge는 RAG의 한계 가운데 '관계 비가시화' 문제를 보완하려는 시도로 제시됐다.

Cosine Similarity

— 두 벡터의 방향성을 측정하는 표준 거리 척도로, 벡터 간 유사도를 각도로 환산해 정량화한다. 본문에서는 단일 점 간 코사인 유사도가 의미론적 연결을 포착하지 못해 낮은 상관관계를 보였음이 제시됐다. 구조적 메트릭과 비교해 코사인 기반 검색의 한계가 실험 결과로 드러났다.