본 논문은 오픈 도메인 질의응답(ODQA)에서 기존의 retriever-reader 파이프라인이 가지는 높은 계산 비용, 불안정성, 그리고 최적이 아닌 검색 범위 등의 문제점을 해결하기 위해 임베딩 수준의 새로운 프레임워크인 EmbQA를 제안합니다. EmbQA는 비지도 대조 학습 목표 하에 경량 선형 계층을 사용하여 질의 표현을 개선하여, 정답을 포함할 가능성이 가장 높은 구절을 강조하도록 검색된 구절의 순서를 재정렬합니다. 또한, 모델의 잠재 의미 공간을 확장하여 후보 생성을 다양화하는 탐색적 임베딩을 도입하고, 엔트로피 기반 선택 메커니즘을 사용하여 가장 확신할 수 있는 답을 자동으로 선택합니다. 세 개의 오픈소스 LLM, 세 개의 검색 방법, 그리고 네 개의 ODQA 벤치마크에 대한 광범위한 실험을 통해 EmbQA가 정확도와 효율성 모두에서 최근 기준 모델을 상당히 능가함을 보여줍니다.
