본 논문은 대규모 언어 모델(LLM)의 복잡한 추론 문제 해결 능력 향상을 위한 새로운 프레임워크인 KG-TRACES를 제안합니다. KG-TRACES는 지식 그래프(KG)를 활용하여 추론 경로와 과정에 대한 명시적인 감독을 제공함으로써 LLM의 추론 능력을 향상시킵니다. KG-TRACES는 모델이 (1) 상징적 관계 경로 예측, (2) 전체 삼중 수준 추론 경로 예측, (3) 추론 경로에 기반한 속성 인식 추론 과정 생성을 공동으로 감독하도록 합니다. 추론 단계에서 모델은 KG가 사용 가능한 경우와 사용 불가능한 경우 모두에 적응하여 가능한 경우 KG에서 추론 경로를 검색하거나, 불가능한 경우 내재적 지식만으로 타당한 추론 경로를 예측합니다. 이러한 설계를 통해 모델은 설명 가능하고 출처를 특정할 수 있는 패턴으로 추론할 수 있습니다. 실험 결과, KG-TRACES는 WebQSP에서 Hits@1을 1.6%, F1을 4.7% 향상시켰고, CWQ에서 Hits@1을 4.8%, F1을 2.1% 향상시키는 등 기존 최첨단 기술을 능가하는 성능을 보였습니다. 또한 의학과 같은 특정 분야로의 전이 가능성도 입증되었습니다.
