TL;DR
기존 RAG 시스템은 단순한 텍스트 유사도 기반 검색에 의존하여 문서 간의 복잡한 인과 관계나 계층적 구조를 파악하는 데 한계가 있었다. HugRAG는 이러한 문제를 해결하기 위해 계층적 인과 지식 그래프(Hierarchical Causal Knowledge Graph)를 설계하고, 불필요한 정보인 허위 노드(Spurious Node)를 효과적으로 제거하는 게이팅 프레임워크를 제안한다. 특히 상위 계층의 인과 정보를 하위로 전달하며 노이즈를 필터링하는 메커니즘을 통해 추론의 정확도와 효율성을 동시에 확보했다. 또한 개체 중심의 단순 QA를 넘어 연결성을 강조한 새로운 벤치마크 데이터셋인 HolisQA를 통해 HugRAG가 기존 GraphRAG 방식보다 복잡한 추론 작업에서 우수한 성능을 보임을 입증했다.
챕터별 상세
RAG의 한계와 지식 그래프 도입 배경
RAG는 검색 기반 생성 기술로, 검색된 문서의 품질이 답변의 정확도를 결정짓는 핵심 요소이다.
HugRAG: 계층적 인과 지식 그래프 설계
인과 관계는 단순한 상관관계를 넘어 사건 간의 원인과 결과 방향성을 정의하는 논리적 연결이다.
Hierarchical Causal Gating 메커니즘
게이팅 메커니즘은 특정 조건에 따라 정보의 통과 여부를 결정하는 제어 장치이다.
Local Spurious Node 제거 전략
허위 노드는 데이터 노이즈의 일종으로, 잘못된 추론 결과를 유도하는 주된 원인이 된다.
HolisQA: 새로운 벤치마크 데이터셋 제안
다중 홉 추론은 여러 단계의 논리적 연결을 거쳐 최종 답변에 도달하는 고난도 추론 방식이다.
실험 결과 및 성능 비교
성능 비교를 위해 정확도(Accuracy), 재현율(Recall) 등 다양한 정보 검색 및 생성 지표가 사용됐다.
결론 및 향후 연구 방향
비정형 데이터는 텍스트, 이미지 등 미리 정의된 구조가 없는 데이터를 말한다.
용어 해설
- 검색 증강 생성(RAG)
- — 외부 지식 베이스에서 관련 정보를 검색하여 대규모 언어 모델(LLM)의 답변 생성에 활용하는 기술이다. 모델의 내부 지식에만 의존할 때 발생하는 환각 현상을 줄이고 최신 정보를 반영할 수 있게 돕는다. 정보의 검색 품질이 전체 시스템의 성능을 결정하는 핵심 요소이다.
- 지식 그래프(Knowledge Graph)
- — 실세계의 개체(Entity)와 개체 간의 관계를 노드와 엣지로 연결하여 네트워크 형태로 표현한 지식 베이스이다. 단순 텍스트 뭉치와 달리 구조화된 정보를 제공하므로 복잡한 관계 추론에 유리하다. 최근 RAG 시스템과 결합하여 데이터 간의 연결성을 강화하는 용도로 널리 사용된다.
- 인과 관계(Causality)
- — 하나의 사건이나 상태가 다른 사건을 일으키는 원인이 되는 논리적 연결성이다. 단순한 상관관계와 달리 원인과 결과의 방향성을 명확히 정의한다. AI 모델이 복잡한 현상을 이해하고 논리적인 결론을 도출하는 데 필수적인 개념이다.
- 허위 노드(Spurious Node)
- — 데이터상으로는 연관성이 있어 보이지만 실제로는 인과 관계가 없거나 논리적으로 무의미한 노이즈 데이터를 의미한다. 지식 그래프 구축 시 이러한 노드가 포함되면 추론의 정확도가 떨어지고 불필요한 연산량이 증가한다. 이를 효과적으로 제거하는 것이 그래프 품질 유지의 관건이다.
- 게이팅 메커니즘(Gating Mechanism)
- — 특정 정보의 흐름을 허용하거나 차단하여 필요한 데이터만 선택적으로 통과시키는 제어 방식이다. 신경망 아키텍처에서 정보의 중요도에 따라 가중치를 조절하는 데 사용된다. HugRAG에서는 계층 간 인과 정보를 전달할지 결정하는 필터 역할을 수행한다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
