본 논문은 지식 그래프(KG)를 활용하여 대규모 언어 모델(LLM)의 복잡한 추론 능력을 향상시키는 새로운 프레임워크인 지식 그래프 기반 반복적 검색 증강 생성(KG-IRAG)을 제시합니다. 기존의 검색 증강 생성(RAG) 방법들이 다단계 추론, 특히 정보 추출과 추론이 모두 필요한 경우에 한계를 보이는 문제를 해결하기 위해, KG-IRAG는 반복적인 검색 단계를 통해 KG로부터 관련 데이터를 점진적으로 수집하여 단계별 추론을 가능하게 합니다. 특히, 날씨 조건이나 교통 상황에 따른 최적 이동 시간 결정과 같이 동적인 시간적 데이터 추출과 함께 추론이 필요한 시나리오에 적합합니다. 실험 결과, KG-IRAG는 외부 지식과 반복적인 논리 기반 검색을 효과적으로 통합하여 복잡한 추론 과제에서 정확도를 향상시키는 것으로 나타났습니다. 또한, weatherQA-Irish, weatherQA-Sydney, trafficQA-TFNSW 세 가지 새로운 데이터셋을 제작하여 KG-IRAG의 성능을 평가했습니다.
