[논문리뷰] HANRAG: Heuristic Accurate Noise-resistant Retrieval-Augmented Generation for Multi-hop Question Answering

링크: 논문 PDF로 바로 열기

저자: Duolin Sun, Dan Yang, Yue Shen, Yihan Jiao, Zhehao Tan

핵심 연구 목표

본 논문은 멀티-홉 질문(multi-hop queries) 처리 시 기존 RAG(Retrieval-Augmented Generation) 시스템이 겪는 비효율성(과도한 반복 검색), 비합리적인 쿼리(원래 쿼리에 대한 노이즈 검색), 그리고 노이즈 축적 문제를 해결하고자 합니다. 특히 복합(compound) 및 복잡(complex) 쿼리에 효율적이고 정확하며 노이즈에 강한 HANRAG 프레임워크를 제안하는 것을 목표로 합니다.

핵심 방법론

HANRAG 는 "Revelator"라는 마스터 에이전트를 중심으로 쿼리를 라우팅하고, 복합 질문을 Decomposer 를 통해 독립적인 하위 쿼리로 분해하여 비동기적으로 처리합니다. 복잡 질문의 경우, Refiner 를 이용해 시드 질문을 정제하고 Ending Discriminator 로 검색 종료 시점을 판단하는 반복 검색 방식을 사용합니다. 또한, Relevance Discriminator 를 통해 검색된 문서의 노이즈를 필터링하여 LLM(Large Language Model) 에 정확한 정보만을 전달하는 ANRAG 를 통합합니다.

주요 결과

실험 결과, HANRAG 는 싱글-홉 QA 벤치마크에서 Adaptive-RAG 대비 EM 12.2%, F1 6.83%, Accuracy 20.13% 향상을 보였으며, 평균 검색 단계는 0.13 감소했습니다. 복잡 쿼리에서는 평균 EM 6.67%, F1 6.34%, Accuracy 16.17% 향상과 평균 검색 단계 0.52 감소를 달성했습니다. 특히, 멀티-홉 복합 쿼리에서는 Adaptive-RAG 대비 19.63% 더 높은 정확도를 달성하고 검색 단계를 거의 1.5단계 줄였습니다.

AI 실무자를 위한 시사점

HANRAG 는 Revelator 를 통해 복잡한 다단계 질문에 대한 RAG 시스템의 성능과 효율성 을 크게 개선할 수 있는 실용적인 접근법을 제시합니다. 적응형 쿼리 라우팅 및 노이즈 저항성 기능은 실제 AI 애플리케이션에서 LLM의 답변 품질과 신뢰성 을 높이는 데 기여합니다. 그러나 Revelator 의 각 에이전트 학습을 위한 고품질 데이터셋 구축 비용은 실제 적용 시 고려해야 할 요소입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.