지식그래프 기반 검색·추론 학습

Knowledge Graph–Enhanced Retrieval and Reasoning Learning

연구 내용

지식그래프의 구조 정보를 학습에 반영하고 검색 단계의 오류와 환각을 줄이도록 retriever와 추론을 설계하는 연구

본 연구는 PLM 기반 지식그래프 완성 및 KG-enhanced LLM 추론을 통합적으로 다룹니다. 서브그래프를 고려한 학습 샘플링과 구조 특성 기반 대조학습으로 그래프의 토폴로지 인덕티브 바이어스를 강화합니다. 또한 다중홉 질의응답에서 진행형 검색으로 부분 추론 경로를 확장하고, LLM의 불확실성 정보를 이용해 증거를 프루닝하며, 부분 경로 컨텍스트를 재구성하여 추론 품질을 높입니다. retriever-LLM 협업과 레이어 대비 재랭킹으로 부정확한 검색을 완화하는 전략도 포함합니다. 더불어 경량화 기법을 적용해 그래프 기반 검색·추론 파이프라인의 실행 효율을 확보합니다.

관련 프로젝트

1건

연구 흐름

초기에는 지식그래프 완성에서 텍스트 인코딩 중심의 한계를 확인하고, 서브그래프 구조를 반영하는 학습 프레임워크로 hard negative를 유도하는 방향으로 연구를 수행했습니다. 이후 이종 그래프에서 링크 예측을 위한 컨텍스트 추출·집계 방식을 다루며, 그래프 표현과 랭킹 신호를 함께 구성하는 접근으로 확장했습니다. 이후에는 멀티홉 KGQA에서 진행형 검색과 불확실성 기반 프루닝을 결합해 환각과 근거 누락을 완화하는 ProgRAG로 심화되었습니다. 최근에는 retriever의 초기·후기 레이어가 서로 정보를 교환하도록 설계한 CoopRAG로, 검색 및 추론을 동시 최적화하는 흐름을 구축했습니다. 병행하여 경량 딥러닝 연구로 그래프 기반 시스템의 실용성을 높였습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

지식그래프 완성
멀티홉 KGQA
RAG 기반 근거 검색
검색 재랭킹 설계
서브그래프 기반 학습
불확실성 기반 증거선별
이종그래프 링크 예측
환각 억제형 추론 파이프라인
그래프 구조 인덕티브 바이어스 적용
기업 지식관리 자동화