거대 언어 모델(Large Language Models, LLMs)은 강력한 추론 능력을 보이지만 환각(hallucinations) 문제와 제한된 투명성에 어려움을 겪는다. 최근에는 지식 그래프(Knowledge Graphs, KGs)를 통합하는 KG 강화 LLM들이 특히 복잡하고 지식 집약적인 과제에서 추론 성능을 향상시키는 것으로 보고되었다. 그러나 이러한 방법들은 여전히 부정확한 검색과 추론 실패를 포함한 중대한 도전에 직면해 있으며, 이는 관련 정보가 가려지는 긴 입력 컨텍스트나, 서로 다른 질문 유형에 필요한 보다 풍부한 논리적 방향성을 포착하기 어려운 컨텍스트 구성에 의해 종종 악화된다. 또한 많은 접근법이 LLM에게 KGs로부터 증거를 직접 검색하도록 하고, 그 증거의 충분성에 대해 스스로 평가하게 하는데, 이 과정에서 조기 또는 부정확한 추론이 발생하는 경우가 흔하다. 검색 및 추론 실패를 해결하기 위해, 우리는 복잡한 질문을 하위 질문으로 분해하고 각 하위 질문에 답함으로써 부분적 추론 경로를 점진적으로 확장하는 다중 홉 지식 그래프 질의응답(KGQA) 프레임워크인 ProgRAG을 제안한다. 각 단계에서 외부 검색기들이 후보 증거를 수집하고, 이후 LLM이 불확실성 인지 기반 가지치기(uncertainty-aware pruning)를 통해 이를 정제한다. 마지막으로, 하위 질문 답변으로부터 얻은 부분적 추론 경로들을 구성하고 재배열함으로써 LLM 추론을 위한 컨텍스트를 최적화한다. 세 가지 잘 알려진 데이터셋에 대한 실험 결과, ProgRAG은 다중 홉 KGQA에서 기존의 기준 방법들을 능가하며, 향상된 신뢰성과 추론 품질을 제공함을 확인하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.