GeAR: Graph-enhanced Agent for Retrieval-augmented Generation
Created by
Haebom
저자
Zhili Shen, Chenxin Diao, Pavlos Vougiouklis, Pascual Merita, Shriram Piramanayagam, Enting Chen, Damien Graux, Andre Melo, Ruofei Lai, Zeren Jiang, Zhongyang Li, YE QI, Yang Ren, Dandan Tu, Jeff Z. Pan
개요
본 논문은 기존의 RAG(Retrieval-augmented Generation) 시스템의 다단계 검색(multi-hop retrieval) 성능 한계를 극복하기 위해 GeAR 시스템을 제안한다. GeAR은 기존 검색 시스템(BM25 등)을 보강하는 효율적인 그래프 확장 메커니즘과 다단계 검색을 통합하는 에이전트 프레임워크를 통해 성능 향상을 이룬다. 실험 결과, 세 가지 다단계 질의응답 데이터셋에서 GeAR의 우수한 검색 성능을 확인하였으며, 특히 MuSiQue 데이터셋에서 기존 시스템 대비 10% 이상의 성능 향상을 달성하였다. 이는 기존 시스템보다 적은 토큰과 반복 횟수로 이루어진 결과이다.
시사점, 한계점
•
시사점:
◦
기존 RAG 시스템의 다단계 검색 성능 향상에 기여한다.
◦
효율적인 그래프 확장 메커니즘과 에이전트 프레임워크를 통해 기존 검색 시스템을 개선할 수 있음을 보여준다.
◦
MuSiQue 데이터셋에서 state-of-the-art 성능 달성.
◦
적은 토큰과 반복 횟수로 효율적인 성능 향상을 달성.
•
한계점:
◦
제시된 그래프 확장 메커니즘과 에이전트 프레임워크의 일반화 가능성에 대한 추가 연구 필요.
