[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

HANRAG는 “Revelator”라는 마스터 에이전트를 중심으로 쿼리를 라우팅하고, 복합 질문을 Decomposer를 통해 독립적인 하위 쿼리로 분해하여 비동기적으로 처리합니다. 복잡 질문의 경우, Refiner를 이용해 시드 질문을 정제하고 Ending Discriminator로 검색 종료 시점을 판단하는 반복 검색 방식을 사용합니다. 또한, Relevance Discriminator를 통해 검색된 문서의 노이즈를 필터링하여 LLM(Large Language Model)에 정확한 정보만을 전달하는 ANRAG를 통합합니다.

주요 결과

실험 결과, HANRAG는 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

HANRAG는 Revelator를 통해 복잡한 다단계 질문에 대한 RAG 시스템의 성능과 효율성을 크게 개선할 수 있는 실용적인 접근법을 제시합니다. 적응형 쿼리 라우팅 및 노이즈 저항성 기능은 실제 AI 애플리케이션에서 LLM의 답변 품질과 신뢰성을 높이는 데 기여합니다. 그러나 Revelator의 각 에이전트 학습을 위한 고품질 데이터셋 구축 비용은 실제 적용 시 고려해야 할 요소입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.