1. 연구 배경 및 문제 정의 (Problem)

기존의 검색 증강 생성 (RAG) 시스템은 복잡한 다단계 질문 (Multi-hop QA) 과 이질적인 데이터 소스 (텍스트, 테이블, 지식 그래프 등) 를 처리하는 데 있어 다음과 같은 한계를 겪고 있습니다.

• 단일 패스 검색의 한계 (C1): 기존 RAG 는 '검색 후 생성'의 단일 패스 방식을 주로 사용합니다. 이는 밀집 검색기 (Dense Retriever) 가 긴 문서의 맥락을 끊거나, 긴 컨텍스트 프롬핑이 불필요한 토큰을 소모하게 만들어 최종 답변에 필요한 증거 체인을 완전히 추적하지 못하게 합니다.
• 통제되지 않은 반복과 지연 (C2): 멀티 에이전트 기반의 추론 시스템은 검색 공간을 과도하게 확장하여 토큰 비용, 도구 호출 횟수, 지연 시간 (Latency) 을 예측 불가능하게 만듭니다. 또한, 언제 멈출지 (Termination) 에 대한 명확한 기준이 부족하여 불필요한 반복이나 조기 종료의 문제가 발생합니다.
• 이질성 (Heterogeneity) 의 문제 (C3): 자유 텍스트, 관계형 테이블, 지식 그래프 (KG) 는 각각 다른 인덱싱, 검색기, 프롬프트 스타일이 필요하여 정책 재사용이 어렵고, 학습 및 배포가 복잡합니다. 기존 시스템은 표현 정렬이 약하거나, 원본 구조를 잃어버리는 비가역적 직렬화를 사용하여 증거의 출처 (Provenance) 를 추적하기 어렵습니다.

2. 제안 방법론: RELOOP (Methodology)

이 논문은 RELOOP라는 새로운 프레임워크를 제안합니다. 이는 계층적 시퀀스 (Hierarchical Sequence, HSEQ) 를 활용하여 이질적인 데이터를 통일된 구조로 변환하고, 예산 (Budget) 을 고려한 유도된 반복 (Guided Iteration) 을 통해 정확한 답변을 생성합니다.

핵심 구성 요소

1. HSEQ-Adapter (HSEQ-A): 가역적 구조화 파싱

   • 텍스트, 테이블, KG 를 **계층적 시퀀스 (HSEQ)**라는 단일 구조로 변환합니다.
   • 각 데이터는 id, level(문장, 행, 트립릿 등), parent(상위 노드 포인터), content, metadata(소스, 오프셋 등) 를 가진 세그먼트로 변환됩니다.
   • 이 변환은 **가역적 (Reversible)**이며, 원본 데이터의 구조와 출처를 보존합니다. 이를 통해 하나의 파서가 모든 포맷을 처리할 수 있게 됩니다.

2. RELOOP-Iterator (RELOOP-I): 유도된 예산 인식 반복

   • Head Agent (Planner): 질문을 분석하여 '초기 검색 계획', '필요 정보', '종료 조건'을 포함한 짧은 **가이드 (Guidance, $g$)**를 생성합니다. 이는 탐색의 우선순위를 정하는 소프트 사전 (Soft Prior) 역할을 합니다.
   • 반복 정책 ($\pi_\theta$): HSEQ 스트림 위에서 윈도우 (Window) 기반의 선택을 수행합니다.
     • 각 단계에서 가이드에 따라 유망한 세그먼트를 선택하거나 (Top-k), 구조적 이웃 (부모/자식, 행/열, 관계 등) 을 확장합니다.
     • 충분성 예측 (Sufficiency Prediction): 현재 수집된 증거가 질문에 답하기에 충분한지 ($s_t \in \{0, 1\}$) 를 예측합니다. 충분한 증거가 모이면 즉시 반복을 중단합니다.
   • 예산 관리: 토큰, 도구 호출, 단계 수 등의 예산을 엄격히 제어하여 불필요한 탐색을 방지합니다.

3. RELOOP-Head (RELOOP-H): 답변 생성 및 정제

   • 반복이 종료되면 **Canonicalizer ($\kappa$)**가 수집된 증거를 출처가 보존된 컴팩트한 패키지로 변환합니다.
   • Head 모듈은 이 패키지를 기반으로 최종 답변을 생성합니다.
   • 정제 루프 (Refinement Loop): 만약 모순이 감지되면, 가이드를 강화하고 예산을 줄여 짧은 추가 반복을 수행하여 답변을 정제합니다.

3. 주요 기여 (Key Contributions)

1. 포맷 무관한 통일된 가역적 파싱: 텍스트, 테이블, KG 를 경량 구조 태그와 함께 통일된 HSEQ 로 변환하여, 단일 정책으로 모든 모달리티를 처리할 수 있게 했습니다.
2. 유도된 예산 인식 반복 학습: 명시적인 '충분성 신호 (Sufficiency Signal)'를 학습하여, 실제로 필요한 증거에 계산 자원을 집중시키고 예측 가능한 지연 시간을 보장합니다.
3. 신뢰할 수 있는 QA 를 위한 증거 표준화: 출처가 보존된 컴팩트한 증거 패키지를 생성하여 답변의 일관성을 높이고, 감사 (Auditability) 와 모순 해결을 지원합니다.

4. 실험 결과 (Results)

다양한 벤치마크 (HotpotQA, TAT-QA, HybridQA, MetaQA) 에서 기존 SOTA 방법론과 비교 평가되었습니다.

• 성능 향상: 단일 패스 RAG, 멀티 홉 RAG, 에이전트 기반 RAG 베이스라인 대비 일관된 EM(Exact Match) 및 F1 점수 개선을 보였습니다. 특히 MetaQA(지식 그래프) 와 HotpotQA(텍스트) 에서 높은 정확도를 기록했습니다.
• 효율성 (Efficiency):
  • **ToG (Think on Graph)**와 같은 기존 그래프 기반 방법은 평균 11~17 단계의 반복으로 지연 시간이 매우 길었습니다 (예: HotpotQA 에서 22,700ms 이상).
  • 반면 RELOOP는 평균 3~5 단계의 짧은 반복으로 동일한 다단계 추론 능력을 유지하면서, 지연 시간을 ToG 대비 50% 이상 단축했습니다 (예: HotpotQA 에서 약 6,200ms).
• 효율 - 정확도 트레이드오프: 작은 모델 (Llama-3.2-3B) 과 큰 헤드를 조합하거나, 정교한 파인튜닝을 통해 정확도와 비용 사이의 최적 균형을 찾을 수 있음을 입증했습니다.
• Ablation Study:
  • SFT (Supervised Fine-tuning) 부재: 성능이 크게 저하됨 (구조화된 데이터의 중요성 입증).
  • 가이드 (Guidance) 부재: 성능이 하락하지만, 단순 휴리스틱 템플릿만으로도 어느 정도 효과를 발휘함.
  • HSEQ 구조: 단일 구조가 시스템의 견고성 (Robustness) 의 주된 원천임을 확인.

5. 의의 및 결론 (Significance)

RELOOP 는 이질적인 데이터 소스를 처리하는 RAG 시스템의 새로운 패러다임을 제시합니다.

• 단일 정책의 보편성: 별도의 모델 재학습 없이 텍스트, 테이블, KG 를 통합적으로 처리할 수 있는 통일된 인터페이스를 제공합니다.
• 제어 가능한 비용: 무분별한 에이전트 반복을 방지하고, '충분성'을 판단하는 신호를 통해 자원 제약을 준수하면서도 높은 정확도를 달성합니다.
• 신뢰성과 감사 가능성: 증거의 출처를 명확히 보존하고 모순을 해결하는 메커니즘을 통해, 실제 산업 환경에서 적용 가능한 신뢰할 수 있는 QA 시스템을 구현합니다.

결론적으로 RELOOP 는 복잡한 다단계 질문과 다양한 데이터 형식을 다루는 데 있어 정확성, 효율성, 신뢰성을 동시에 만족시키는 강력한 프레임워크입니다.