본 논문은 지식 집약적 과제에서 대규모 언어 모델(LLM)의 성능을 향상시키는 검색 증강 생성(RAG) 프레임워크인 NeuroPath를 제안합니다. NeuroPath는 신경생물학의 장소 세포의 경로 탐색 계획에서 영감을 받아, 지식 그래프(KG)에서 동적 경로 추적 및 가지치기를 수행하여 노이즈 감소와 의미론적 일관성을 개선합니다. 또한, 중간 추론과 원본 쿼리를 사용하여 2단계 검색을 수행하여 쿼리 목표를 개선하고 추론 경로에서 누락된 정보를 보완합니다.
시사점, 한계점
•
시사점:
◦
다중 홉 질문 답변(multi-hop QA) 데이터 세트에서 기존 SOTA(state-of-the-art) RAG 방식 대비 향상된 성능 (Recall@2에서 16.3%, Recall@5에서 13.5% 평균 개선).
◦
기존 반복 기반 RAG 방식 대비 높은 정확도와 22.8%의 토큰 사용량 감소.
◦
Llama3.1, GLM4, Mistral0.3, Gemma3와 같은 소규모 LLM에서도 견고한 성능을 보임.
