1. 연구 배경 및 문제 정의 (Problem)

배경:
대규모 언어 모델 (LLM) 은 지식 집약적 작업에서 뛰어난 성능을 보이지만, 정적 훈련 코퍼스 의존성으로 인해 실시간 정보나 도메인 특화 지식이 부족할 수 있습니다. 이를 해결하기 위해 **검색 증강 생성 (RAG, Retrieval-Augmented Generation)**이 널리 사용되지만, 기존 RAG 시스템에는 구조적 한계가 존재합니다.

주요 문제점:
기존 RAG 는 검색된 문서 조각 (chunks) 을 평탄하고 비구조화된 (flat and unstructured) 방식으로 처리합니다. 이로 인해 다음과 같은 한계가 발생합니다.

1. 내부 구조 무시 (Intra-chunk structural blindness): 각 조각 내부의 논리적 계층 구조 (예: 핵심 주장과 이를 뒷받침하는 근거의 관계) 를 파악하지 못합니다.
2. 조각 간 일관성 부재 (Inter-chunk coherence gaps): 여러 조각 간의 수사적 연결 (예: 대조, 인과, 보완 관계) 을 식별하지 못해, 상충되는 정보를 통합하거나 논리적 흐름을 파악하는 데 실패합니다.
   • 예시: 비타민 D 가 결핍된 성인에게는 효과가 있다는 조건부 주장과 전체적으로는 효과가 없다는 주장이 동시에 있을 때, 기존 RAG 는 이를 구분하지 못해 잘못된 일반화 결론을 도출할 수 있습니다.

2. 제안 방법론: Disco-RAG

저자들은 Disco-RAG를 제안하여 검색된 증거를 단순 연결이 아닌 담화 (Discourse) 구조를 통해 조직화하고 생성 과정을 안내합니다. 이 프레임워크는 **수사적 구조 이론 (Rhetorical Structure Theory, RST)**에 기반하며, 세 가지 주요 단계로 구성됩니다.

1) 조각 내 수사적 트리 (Intra-Chunk RST Tree)

• 검색된 각 텍스트 조각 (chunk) 에 대해 LLM 기반 파서를 사용하여 RST 트리를 구성합니다.
• 텍스트를 기본 담화 단위 (EDU) 로 분할하고, 각 단위를 **핵심 (Nucleus)**과 **보조 (Satellite)**로 분류하며, 그 사이의 수사적 관계 (예: 설명, 대조, 인과) 를 트리 구조로 매핑합니다.
• 이를 통해 조각 내부의 국소적 계층 구조와 논리적 흐름을 포착합니다.

2) 조각 간 수사적 그래프 (Inter-Chunk Rhetorical Graph)

• 검색된 모든 조각 간의 관계를 모델링하기 위해 방향성 수사적 그래프를 구축합니다.
• 모든 조각 쌍에 대해 수사적 관계 (예: 지원, 모순, 보완, 배경 제공 등) 를 예측하여 전역적인 담화 구조를 형성합니다.
• 이는 서로 다른 문서 조각 간의 논리적 연결고리를 식별하여 모순된 정보를 해결하고 일관된 논리를 구성하는 데 기여합니다.

3) 담화 기반 계획 (Discourse-Driven Planning)

• 생성된 RST 트리와 수사적 그래프를 바탕으로 **생성 계획 (Blueprint)**을 수립합니다.
• 이 계획은 답변의 논리적 흐름을 설계하며, 어떤 증거를 우선시할지, 어떻게 논증을 전개할지, 어떤 순서로 정보를 제시할지 결정합니다.
• 생성 모델은 이 계획을 가이드로 사용하여 사실에 기반한 일관된 답변을 생성합니다.

3. 주요 기여 (Key Contributions)

1. Disco-RAG 프레임워크 제안: RAG 파이프라인에 명시적으로 담화 지식을 주입하여, 조각 수준의 증거와 담화 수준의 추론 간의 불일치를 해소하는 추론 시간 (inference-time) 전략을 제시했습니다.
2. 통합 구조 모델링: 조각 내 RST 트리, 조각 간 수사적 그래프, 담화 기반 계획을 결합하여 국소적 계층성, 교차 패시지 일관성, 논증 흐름을 동시에 포착하는 새로운 모델링 방법을 개발했습니다.
3. 성능 입증: 지식 집약적 질문 답변 (QA) 및 요약 작업에서 기존 RAG 및 최신 SOTA 방법론보다 일관된 성능 향상을 보였으며, 담화 구조의 중요성을 실증했습니다.

4. 실험 결과 (Results)

저자들은 Loong, ASQA, SciNews라는 세 가지 벤치마크에서 실험을 수행했습니다.

• Loong 벤치마크 (장문 추론):
  • 문서 길이가 길어질수록 (200K~250K 토큰) 성능 격차가 커졌습니다.
  • Llama-3.3-70B 백본을 사용할 때, 기존 RAG 대비 12.74 포인트의 LLM Score 향상을 기록했습니다.
  • 기존 SOTA 인 StructRAG 보다도 높은 성능을 보였습니다.
• ASQA 벤치마크 (장문 QA):
  • 정밀 일치 (Exact Match) 와 ROUGE-L 점수에서 기존 최첨단 시스템 (MAIN-RAG, Tree of Clarifications 등) 을 능가했습니다.
  • 모호한 질문에 대해 모든 가능한 해석을 포괄하는 답변을 생성하는 데 탁월했습니다.
• SciNews 벤치마크 (과학 뉴스 요약):
  • ROUGE-L, BERTScore, SARI, SummaC 등 모든 평가 지표에서 새로운 SOTA 성능을 달성했습니다.
  • 특히 사실성 (Faithfulness) 과 일관성 측면에서 큰 개선을 보였습니다.

추가 분석:

• Ablation Study: RST 트리, 수사적 그래프, 계획 모듈 중 하나라도 제거하면 성능이 저하됨을 확인했습니다. 특히 구조 모델링 (트리와 그래프) 이 정보 통합과 담화 일관성 유지에 가장 중요한 역할을 했습니다.
• 노이즈 강건성: 검색된 문서에 관련 없는 노이즈가 섞여도 Disco-RAG 는 기존 RAG 보다 성능 저하가 적어 구조적 회복 탄력성이 뛰어났습니다.
• 효율성: 추가적인 LLM 호출로 인한 지연 시간은 존재하지만, 성능 향상과 비교할 때 합리적인 트레이드오프로 판단되었습니다.

5. 의의 및 결론 (Significance)

이 연구는 RAG 시스템이 단순히 정보를 검색하여 나열하는 것을 넘어, **수사적 구조 (Discourse Structure)**를 명시적으로 모델링함으로써 논리적 깊이와 사실성을 획기적으로 향상시킬 수 있음을 입증했습니다.

• 담화 구조의 중요성: LLM 이 생성 과정에서 논리적 흐름과 증거 간의 관계를 이해하도록 돕는 것이 핵심임을 보여줍니다.
• 파인튜닝 불필요: 추가적인 모델 학습 (Fine-tuning) 없이도 추론 시간 전략만으로 최첨단 성능을 달성할 수 있어, 다양한 도메인에 적용 가능한 유연한 솔루션을 제공합니다.
• 미래 방향: 구조화된 담화 모델링은 RAG 시스템의 발전 방향성으로 제시되며, 특히 장문 문서 처리와 복잡한 추론이 필요한 작업에서 필수적인 요소임을 강조합니다.

결론적으로, Disco-RAG는 검색된 정보의 '무더기 (bag of facts)'를 '일관된 논증 흐름 (coherent line of reasoning)'으로 변환하여 LLM 의 생성 품질을 높이는 혁신적인 접근법입니다.