대규모 언어 모델(LLMs)에서 환각을 줄이기 위해, 연구자들은 LLM을 외부 지식 그래프(KG)와 통합하는 추론 방법에 대해 점점 더 많은 연구를 수행하고 있다.기존 접근법은 LLM이 생성한 질의 그래프를 KG에 매핑하거나, LLM이 전체 그래프를 순회하도록 하는 방식 중 하나에 해당한다. 전자는 노이즈가 포함된 질의 그래프가 검색을 방해한다는 점에서 취약한 반면, 후자는 대규모 그래프에 대한 엔터티 수준 추론을 수행해야 하므로 비효율적이다.이러한 문제를 해결하기 위해, 우리는 지식 그래프 질의를 효율적으로 수행하기 위한 스키마 그래프 기반 근사 거리 조인(SAFE, Schema-Driven Approximate Distance Join)을 제안한다. 이 프레임워크는 견고한 질의 그래프 생성을 위해 스키마 그래프를 활용하고, KG 검색을 효율적으로 수행한다.SAFE는 두 가지 핵심 아이디어를 도입한다.(1) LLM이 생성한 의사 질의 그래프(pseudo query graphs)를 KG의 구조에 유연하게 정렬함으로써 정제하는 근사 거리 조인(ADJ, Approximate Distance Join) 알고리즘, 그리고 (2) 간결한 스키마 그래프를 활용하여 ADJ를 효율적으로 수행함으로써 오버헤드를 줄이고 검색 정확도를 향상시키는 접근이다. WebQSP, CWQ, GrailQA에 대한 광범위한 실험 결과, SAFE는 정확도와 효율성 모두에서 최신 기술 수준의 방법을 능가하며, LLM 기반 지식 검색이 지니는 본질적 한계를 극복하기 위한 견고하고 확장 가능한 해결책을 제공하는 것으로 나타났다.

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