본 논문은 기존 Retrieval-Augmented Generation (RAG) 방법의 한계점을 극복하기 위해, 오픈 도메인 질의응답(QA) 과제를 위한 새로운 방법인 Amber (Adaptive memory-based optimization for enhanced RAG)를 제안합니다. Amber는 Agent-based Memory Updater, Adaptive Information Collector, Multi-granular Content Filter 세 가지 구성 요소로 이루어져 있으며, 반복적인 메모리 업데이트 패러다임 내에서 상호 작용합니다. 다중 에이전트 협업 접근 방식을 통해 언어 모델의 메모리를 통합 및 최적화하여 이전 검색 단계에서 얻은 지식을 포괄적으로 통합하고, 누적된 지식에 따라 동적으로 검색 쿼리를 조정하고 검색을 중지할 시점을 결정하여 검색 효율성과 효과성을 높입니다. 또한 다단계의 무관한 콘텐츠 필터링을 통해 노이즈를 줄이고 필수 정보를 유지하여 모델 성능을 향상시킵니다. 여러 오픈 도메인 QA 데이터셋에 대한 광범위한 실험을 통해 제안된 방법과 구성 요소의 우수성과 효과를 입증합니다.
