본 논문은 대규모 언어 모델(LLM)이 복잡한 추론 문제에서 보여주는 성능을 향상시키기 위해, 과제 수준이 아닌 주제 수준의 세분화된 분석과 멀티 에이전트 협업 전략을 제안한다. 특히, 입력 쿼리에 대해 그래프 신경망(GNN)을 사용하여 관련 주제를 식별하고 상호 의존성을 추론하여 Subject-based Directed Acyclic Graph(S-DAG)를 생성한다. 각 LLM 모델에 주제별 전문성 점수를 할당하고 S-DAG의 해당 주제에 가장 적합한 모델을 선택하여, 정보가 S-DAG를 따라 흐르는 구조화된 멀티 에이전트 협업을 수행한다. MMLU-Pro, GPQA, MedMCQA 벤치마크의 다중 주제 하위 집합을 사용하여 실험한 결과, 기존의 과제 수준 모델 선택 및 멀티 에이전트 협업 기본 모델보다 정확도와 효율성 측면에서 유의미한 성능 향상을 보였다.
