본 논문은 의료 분야에서의 대규모 언어 모델(LLM)의 환각(hallucination) 문제를 해결하기 위해, 초(hyper) 그래프 기반의 검색 증강 생성(Retrieval-Augmented Generation, RAG) 방법인 Hyper-RAG를 제안한다. Hyper-RAG는 도메인 특정 지식 내의 쌍(pairwise) 및 쌍 이상(beyond-pairwise)의 상관관계를 포괄적으로 파악하여 환각을 완화한다. 신경학 데이터셋(NeurologyCrop)을 사용한 실험 결과, Hyper-RAG는 기존 LLM 사용 대비 정확도를 평균 12.3% 향상시켰으며, Graph RAG와 Light RAG보다 각각 6.3%와 6.0% 높은 성능을 보였다. 또한, 질의 복잡성이 증가해도 안정적인 성능을 유지했으며, 9개의 다양한 데이터셋에서도 Light RAG 대비 35.5%의 성능 향상을 보였다. 경량화된 버전인 Hyper-RAG-Lite는 Light RAG보다 두 배 빠른 검색 속도와 3.3% 향상된 성능을 달성했다. 이를 통해 Hyper-RAG는 의료 진단과 같은 중요한 응용 분야에서 LLM의 신뢰성을 높이고 환각을 줄이는 강력한 솔루션임을 확인했다.
