인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
대규모 언어모델(LLMs)은 자연어 이해 능력을 크게 발전시켰으나, 다수 문서에 분산된 근거를 통합해야 하는 복합 멀티홉 질의 처리에서는 한계를 보인다. 기존 검색증강생성(RAG)은 선형 파이프라인을 채택하여 오류 전파, 근거 불충분, 신뢰성 저하 문제가 발생한다. 이를 해결하기 위해 본 연구는 Tree-of-Retrieval 기반 RAG(ToR-RAG)를 제안한다. ToR-RAG는 LLM 프롬프트를 통해 질의를 이진 하위 질의로 분해하고, 각 분기에서 검색 및 부분 응답 생성을 수행한 후, LLM-as-a-Judge 모듈로 품질을 평가한다. 기준 이하의 분기는 가지치기를 통해 효율성을 확보한다. 검색 단계에서는 MMR 기반 전략(λ=0.75, top-k=5)을 적용하여 관련성과 다양성을 균형 있게 확보하였다. MultiHop-RAG 데이터셋 실험 결과, ToR-RAG는 Non-RAG, Native-RAG, CoR-RAG 대비 Exact Match +6.42, F1 +6.04의 성능 향상을 보였다. 특히 깊이(Depth)=3에서 최적 성능을 기록했으며, Depth=4에서는 과도한 분기와 토큰 사용으로 성능이 저하되었다. 이러한 결과는 ToR-RAG가 멀티홉 추론에서 정확성과 신뢰성을 동시에 강화함을 보여주며, 정책 분석, 의료 의사결정, 금융 리스크 평가 등 다양한 응용 분야에서 활용 가능성을 제시한다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094580537
