본 논문은 매개변수 집약적인 미세 조정에 의존하는 기존의 지식 그래프(KG) 강화 대형 언어 모델(LLM) 접근 방식의 한계를 해결하기 위해, 매개변수 업데이트 없이 테스트 시간에 동적으로 지식을 융합하는 새로운 프레임워크를 제시합니다. 이는 지식 그래프 유도 주의(KGA) 모듈을 중심으로 구축되며, 외부 지식을 입력 표현에 통합하는 '외부 집계' 경로와 KG 유도 필터링을 통해 입력 표현을 개선하는 '내부 집계' 경로의 두 가지 상승 작용 경로를 통해 작동합니다. 내부 경로는 가장 관련성이 높은 트리플을 선택하여 외부 경로의 지식 융합 과정에 다시 피드백함으로써 폐쇄 루프 향상 메커니즘을 형성합니다. 이러한 두 경로의 시너지 효과를 통해 매개변수 수정 없이 테스트 시간에만 실시간 지식 융합을 지원합니다. 다섯 가지 벤치마크에 대한 광범위한 실험을 통해 KGA의 우수한 지식 융합 성능을 검증합니다.
