본 논문은 대규모 언어 모델(LLM)의 복잡한 추론 능력 향상을 위해 지식 그래프(KG) 기반의 반복적 검색 증강 생성(KG-IRAG) 프레임워크를 제시합니다. 기존의 검색 증강 생성(RAG) 방법들이 다단계 추론, 특히 정보 추출과 추론이 동시에 필요한 경우에 어려움을 겪는다는 점을 해결하기 위해, KG-IRAG는 반복적인 검색 단계를 통해 KG에서 관련 데이터를 점진적으로 수집하여 단계별 추론을 가능하게 합니다. 특히, 날씨나 교통 상황과 같은 동적인 시간적 데이터를 포함하는 추론이 필요한 시나리오(예: 최적의 여행 시간 결정)에 적합하며, 실험 결과를 통해 복잡한 추론 과제에서 정확도 향상을 보였습니다. 또한, KG-IRAG의 성능 평가를 위해 weatherQA-Irish, weatherQA-Sydney, trafficQA-TFNSW 세 가지 새로운 데이터셋을 구축했습니다.
