본 논문은 의료 및 법률과 같이 높은 위험이 걸린 분야의 지식 집약적 과제에서 관련 정보 검색뿐 아니라 인과 추론과 설명 가능성을 제공하는 것이 중요함을 강조합니다. 대규모 언어 모델(LLM)은 자연어 이해 및 생성 작업에서 놀라운 성능을 달성했지만, 새로운 지식 통합의 어려움, 환각 생성, 추론 과정 설명 등의 한계를 가지고 있습니다. 이러한 문제를 해결하기 위해 지식 그래프와 그래프 검색 증강 생성(Graph RAG)을 통합하는 것이 효과적인 해결책으로 등장했습니다. 기존의 Graph RAG 방법은 종종 인과 관계를 포착하지 못하거나 모델의 내부 추론 단계와 잘 맞지 않는 단순한 그래프 탐색이나 의미적 유사성에 의존합니다. 본 논문은 인과 관계를 강조하는 대규모 지식 그래프 필터링, 모델의 사고 과정(CoT)과 검색 과정 정렬, 다단계 경로 개선을 통한 추론 향상을 위한 새로운 파이프라인을 제안합니다. 의료 질의응답 작업에 대한 실험 결과, 여러 대규모 언어 모델(LLM)에서 최대 10%의 절대적인 성능 향상을 보여줍니다. 이 방법은 인과 추론과 단계적 검색을 결합하는 가치를 보여주며, 복잡한 질의에 대한 더 해석 가능하고 논리적으로 근거한 솔루션을 제공합니다.
