RAG
3개의 포스트
Corrective Retrieval Augmented Generation (CRAG)
기존 Retrieval-Augmented Generation (RAG)는 검색된 문서의 품질이 낮을 경우 성능이 저하되는 한계가 있습니다. Corrective Retrieval Augmented Generation (CRAG)는 이 문제를 해결하기 위해 제안된 프레임워크입니다. CRAG는 가벼운 retrieval evaluator를 통해 검색된 문서의 관련성을 평가하고, 그 결과에 따라 세 가지 교정 액션(Correct, Incorrect, Ambiguous)을 수행합니다. 관련성이 낮다고 판단되면 기존 문서를 버리고 웹 검색을 통해 새로운 정보를 탐색하며, 관련성이 높으면 문서 내 핵심 정보만 추출하여 사용하는 방식으로 RAG의 강건함을 향상시킵니다. 이 plug-and-play 방식은 다양한 RAG 시스템에 적용되어 생성 결과의 신뢰도를 높입니다. 논문 제목: Corrective Retrieval Augmented Generation
mKG-RAG: Multimodal Knowledge Graph 기반의 RAG를 통한 Visual Question Answering 성능 향상
mKG-RAG는 비정형 문서에 의존하는 기존 RAG 기반 VQA 방식의 한계를 극복하기 위해 Multimodal Knowledge Graph (KG)를 통합한 새로운 프레임워크이다. 이 방식은 MLLM을 활용하여 비정형 멀티모달 문서에서 구조화된 지식을 추출해 고품질 Multimodal KG를 구축한다. 또한, 효율적인 검색을 위해 거친 문서 검색과 세밀한 그래프 검색을 결합한 dual-stage retrieval 전략과 question-aware multimodal retriever를 도입하여 검색 정확도를 높였다. 이를 통해 지식 기반 Visual Question Answering (VQA) 태스크에서 기존 방법들을 능가하는 최신 기술(SOTA) 성능을 달성했다. 논문 제목: mKG-RAG: Multimodal Knowledge Graph-Enhanced RAG for Visual Question Answering
GraphRAG: 로컬에서 글로벌로, 쿼리 중심 요약을 위한 그래프 기반 RAG 접근법
기존의 Retrieval-Augmented Generation (RAG) 시스템은 특정 정보를 찾는 데는 뛰어나지만, 데이터셋 전체에 대한 글로벌 질문에는 취약합니다. 이 논문은 이러한 한계를 극복하기 위해 그래프 기반의 새로운 접근법인 GraphRAG를 제안합니다. GraphRAG는 LLM을 사용하여 소스 문서로부터 entity 지식 그래프를 구축하고, 관련 entity 그룹에 대한 커뮤니티 요약을 미리 생성합니다. 사용자 질문이 주어지면, 각 커뮤니티 요약을 바탕으로 부분적인 답변을 생성한 후, 이를 다시 종합하여 최종적인 글로벌 답변을 만듭니다. 이를 통해 GraphRAG는 대규모 텍스트 코퍼스에 대한 전역적인 이해를 요구하는 질문에 대해 기존 RAG 방식보다 훨씬 포괄적이고 다양한 답변을 생성하는 성능을 보여줍니다. 논문 제목: From Local to Global: A GraphRAG Approach to Query-Focused Summarization