# PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering

### 저자

Xingyu Li, Rongguang Wang, Yuying Wang, Mengqing Guo, Chenyang Li, Tao Sheng, Sujith Ravi, Dan Roth

### 💡 개요

본 논문은 여러 문서에서 정보를 조합하여 답변해야 하는 복잡한 다단계 질의응답(MHQA) 문제에서 LLM의 취약점을 극복하기 위한 프레임워크인 PAR$^2$-RAG를 제안한다. PAR$^2$-RAG는 초기에 넓은 범위의 증거를 확보하는 'coverage' 단계와, 확보된 증거를 기반으로 깊이 탐색하며 불충분한 증거를 통제하는 'commitment' 단계를 분리하여 작동한다. 이를 통해 기존 연구 대비 뛰어난 성능 향상을 달성하였다.

### 🔑 시사점 및 한계

- 다단계 질의응답에서 LLM의 성능 한계를 극복하기 위한 효과적인 두 단계 프레임워크를 제시한다.

- 초기 증거 수집의 넓이 탐색과 이후 증거 강화 및 통제의 깊이 탐색을 결합하여 안정적이고 정확한 답변 생성을 가능하게 한다.

- 제안된 방법론은 기존 최첨단 베이스라인 대비 상당한 정확도 및 검색 성능 향상을 보인다.

- 제안된 방법론의 계산 복잡성 및 실제 적용 시의 오버헤드에 대한 추가적인 분석과 개선이 필요할 수 있다.

---

[PDF 보기](https://arxiv.org/pdf/2603.29085)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).