🤖 AI

Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval

본 논문은 언어 모델이 증거 검색을 위해 전역 어휘 검색과 이웃 탐색을 동적으로 균형 있게 수행할 수 있도록 하는 적응형이며 학습이 불필요한 지식 그래프 검색기인 ARK 를 소개하며, 이는 벤치마크 데이터셋에서 최첨단 성능을 달성하고 더 작은 모델로의 성공적인 증류도 입증합니다.

원저자: Joaquín Polonuer (Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA, Departamento de Computación, FCEyN, Universidad de Buenos Aires, Buenos Aires, Argentina), Lucas Vittor

게시일 2026-04-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Joaquín Polonuer (Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA, Departamento de Computación, FCEyN, Universidad de Buenos Aires, Buenos Aires, Argentina), Lucas Vittor (Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA), Iñaki Arango (Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA), Ayush Noori (Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA, Department of Engineering Science, University of Oxford, Oxford, UK), David A. Clifton (Department of Engineering Science, University of Oxford, Oxford, UK, Oxford Suzhou Centre for Advanced Research, University of Oxford, Suzhou, Jiangsu, China), Luciano Del Corro (ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés, Victoria, Argentina, Lumina Labs, Buenos Aires, Argentina), Marinka Zitnik (Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA, Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA, Broad Institute of MIT and Harvard, Cambridge, MA, USA, Harvard Data Science Initiative, Cambridge, MA, USA)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 미스터리를 해결하려는 형사라고 상상해 보세요. 하지만 단일 수첩 대신, 모든 책이 보이지 않는 실로 서로 연결된 거대하고 광활한 도서관에 접근할 수 있습니다. 어떤 책들은 '사과'와 같은 단일 주제에 불과한 반면, 다른 책들은 '사과' $\to$ '과수원' $\to$ '농부' $\to$ '기상 패턴'과 같은 긴 관계의 사슬로 연결되어 있습니다.

이것이 **지식 그래프 (Knowledge Graphs, KGs)**의 도전 과제입니다: 정보가 노드 (사물) 와 엣지 (관계) 로 저장된 거대한 사실의 네트워크입니다.

이 논문은 ARK(Adaptive Retriever of Knowledge, 적응형 지식 검색기) 라는 새로운 도구를 소개합니다. ARK 를 당신의 질문에 대한 답을 찾기 위해 이 도서관을 정확히 어떻게 항해해야 하는지 아는 초지능의 자율 형사로 생각하세요.

다음은 ARK 가 작동하는 방식을 간단한 비유로 설명한 것입니다:

문제: "너무 얕은" 대 "너무 길을 잃은" 딜레마

이 도서관에서 정보를 찾는 이전 방법들은 두 가지 주요 결함이 있었습니다:

"키워드 검색" 형사: 이 형사는 '사과'와 같은 특정 단어가 포함된 책을 찾는 데 뛰어납니다. 하지만 그들은 표지만 봅니다. 답이 연결 사슬을 따라 세 번째 책에 숨겨져 있다면, 그들은 그것을 놓칩니다. 그들은 너무 얕습니다.
"시드 (Seed)" 형사: 이 형사는 하나의 시작 책을 선택하고 실을 따라 다음 책, 그다음 책으로 이동합니다. 하지만 그들이 잘못된 시작 책을 선택하면, 막다른 길에서 길을 잃습니다. 그들은 올바른 시작점을 추측하는 것에 의존하기 때문에 너무 취약합니다.

해결책: ARK 의 두 가지 도구 키트

ARK 는 단서 (쿼리) 에 따라 도구 사이를 전환할 수 있는 자유를 부여함으로써 AI 형사에게 두 가지 도구 키트를 제공하여 이를 해결합니다.

도구 A: "전역 검색" (광범위한 그물)
- 기능: 질문의 단어와 일치하는 책을 찾기 위해 전체 도서관을 한 번에 스캔합니다.
- 사용 시기: 질문이 특정 사물에 관한 것일 때 (예: "영화 <인셉션>에 대해 알려줘"), ARK 는 즉시 올바른 시작점을 찾기 위해 광범위한 그물을 던집니다.
- 비유: 거대한 백과사전에서 읽기 시작하기 전에 올바른 페이지를 찾기 위해 검색 엔진을 사용하는 것과 같습니다.
도구 B: "이웃 탐색자" (지역 이동)
- 기능: 시작 책을 확보한 후, 선반에 바로 옆에 있는 책들 (이웃) 로 이동하여 관련성이 있는지 확인합니다.
- 사용 시기: 질문이 일련의 사건에 관한 것일 때 (예: "이 약에 대한 연구를 인용한 논문을 쓴 사람은 누구인가?"), ARK 는 도서관 전체를 검색하는 것을 멈추고 한 책에서 다음 책으로 '실'을 따라 걷기 시작합니다.
- 비유: 사서에게 "이 테이블에 누가 더 앉아 있나요?"라고 묻고 그들의 책을 확인하는 것과 같습니다.

마법: "적응형" 의사 결정

ARK 의 천재성은 어떤 도구를 언제 사용할지 실시간으로 결정한다는 점에 있습니다.

단어가 많은 질문을 할 때 (예: "테슬라의 가격은 얼마인가?"), ARK 는 답을 빠르게 찾기 위해 전역 검색을 사용합니다.
연결이 많은 질문을 할 때 (예: "약 A 가 단백질 B 에 어떤 영향을 미치고, 그 단백질 B 가 질병 C 에 어떤 영향을 미치는가?"), ARK 는 흔적을 따라가기 위해 이웃 탐색으로 전환합니다.

얼마나 많은 단계를 거쳐야 하는지 미리 알려줄 필요가 없습니다. 답을 찾거나 다시 더 넓은 그물을 던져야 한다는 것을 깨달을 때까지 계속 걷기만 하면 됩니다.

"팀워크" 부스트 (병렬 에이전트)

형사가 아무것도 놓치지 않도록 하기 위해, ARK 는 동시에 여러 명의 형사를 보낼 수 있습니다.

세 명의 형사를 도서관으로 보내는 상황을 상상해 보세요. 그들은 모두 약간 다르게 시작합니다.
그들이 돌아오면, ARK 는 그들의 목록을 봅니다. 두 명이나 세 명이 같은 책을 찾았다면, 그 책은 올바른 답일 가능성이 높습니다.
이 "투표" 시스템은 AI 를 특정 예제로 학습시킬 필요 없이 결과를 훨씬 더 신뢰할 수 있게 만듭니다.

"학생" 버전 (증류)

보통 이 초지능 형사는 그렇게 명확하게 생각하기 위해 매우 강력하고 (비싼) 뇌 (대규모 AI 모델) 가 필요합니다.

저자들은 "사고 과정"(형사가 취한 경로) 을 초지능 교사로부터 가져와 더 작고, 저렴하며, 빠른 학생 (80 억 파라미터 모델) 에게 그 단계를 모방하도록 가르쳤습니다.
결과: 학생 형사는 교사와 거의同等한 일을 할 수 있지만, 실행 속도가 훨씬 빠르고 비용이 적게 듭니다. "정답"을 미리 보여줄 필요 없이 어떻게 탐색할지 배웠습니다. 단순히 교사가 일하는 것을 지켜보며 배웠을 뿐입니다.

결과

이 논문은 ARK 를 세 개의 거대한 현실 세계 도서관에서 테스트했습니다:

아마존: 제품과 리뷰의 거대한 상점.
MAG: 과학 논문과 저자들의 거대한 도서관.
PRIME: 약물, 유전자, 질병의 복잡한 생물학적 데이터 지도.

결과:

ARK 는 거의 모든 다른 방법들을 능가했으며, 특히 "실"을 따라가는 것이 중요한 복잡한 과학 및 생물학적 그래프에서 두드러졌습니다.
가장 첫 번째 올바른 답을 찾는 데 있어 정확도가 다른 방법들보다 최대 31% 까지 크게 향상되었습니다.
모든 특정 그래프에 AI 를 학습시킬 필요가 없으며, 올바른 도구를 제공하고 전략을 스스로 파악하게 하면 된다는 것을 증명했습니다.

요약

ARK 는 올바른 시작점을 찾기 위해 검색 엔진을 언제 사용해야 하고, 단계를 따라 흔적을 찾기 위해 손전등을 언제 사용해야 하는지 아는 형사와 같습니다. 질문 상황에 적응하고, 실수를 피하기 위해 팀으로 일하며, 같은 일을 수행할 수 있도록 더 작고 저렴한 자신의 버전을 가르칠 수 있습니다. ARK 는 복잡하고 연결된 데이터에서 답을 찾는 것을 훨씬 더 빠르고 정확하게 만들어 줍니다.

"Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval"(ARK) 논문에 대한 상세한 기술 요약입니다.

1. 문제 제기

대형 언어 모델 (LLM) 쿼리에 대한 지식 그래프 (KG) 에서 증거를 검색하는 작업은 범위(relevant 개체를 찾기 위해 그래프를 포괄하는 것) 와 깊이(구체적인 증거를 찾기 위해 다중 홉 관계 경로를 탐색하는 것) 사이의 근본적인 트레이드오프를 수반합니다.

유사도 기반 검색기(예: BM25, 밀집 임베딩) 는 광범위한 커버리지를 제공하지만 종종 얕은 수준에 머무르며 복잡한 관계 체인을 포착하지 못합니다.
탐색 기반 방법(예: 그래프 에이전트) 은 다중 홉 추론에 뛰어나지만 탐색을 시작하기 위해 '시드' 노드를 선택하는 데 의존합니다. 시드 선택이 모호하거나 불완전하면 검색이 국소적으로 갇혀 다른 곳의 관련 증거를 놓치게 됩니다.
기존 한계: 현재 접근 방식들은 종종 이러한 모드를 분리하여 처리하거나, 작업별 훈련을 요구하며, 취약한 시드 선택과 미리 설정된 홉 깊이에 의존합니다. 쿼리 요구 사항에 따라 전역 검색과 국소 탐색을 동적으로 균형 있게 조절하는 훈련 없는 프레임워크는 부재합니다.

2. 방법론: ARK(Adaptive Retriever of Knowledge)

ARK 는 LLM 에이전트가 KG 를 자율적으로 탐색할 수 있도록 하는 훈련 없는 도구 사용 검색 프레임워크입니다. 에이전트가 검색 궤적을 구축하기 위해 도구를 선택하는 상호작용 과정을 통해 작동합니다.

핵심 아키텍처

에이전트 정의: 에이전트 $A = \langle LLM, T \rangle$ 는 KG $G = \langle V, E, \dots \rangle$ 와 상호작용합니다. 에이전트는 검색된 노드의 순위 목록 $R$ 을 유지하며 FINISH 동작이나 단계 제한을 통해 종료됩니다.
이중 도구 인터페이스:
1. 전역 검색 (SearchG): 전체 그래프에 걸쳐 노드 설명자 (제목, 설명) 에 대해 어휘 검색 (BM25 사용) 을 수행합니다. 이는 텍스트 중심 쿼리에 대한 광범위한 진입점을 제공합니다.
2. 이웃 탐색 (Neighbors): 특정 노드의 1 홉 이웃을 탐색하며, 노드/엣지 유형으로 필터링되고 선택적으로 서브쿼리에 의해 재순위화됩니다. 이는 표적화된 다중 홉 탐색을 가능하게 합니다.
적응형 전략: LLM 은 쿼리와 현재 컨텍스트에 따라 사용할 도구를 동적으로 결정합니다.
- 텍스트 중심 쿼리: Global Search를 우선시합니다.
- 관계 중심 쿼리: 경로를 탐색하기 위해 Neighbors를 우선시합니다.
- 복합 쿼리: 전역 재고정과 국소 확장을 번갈아 사용합니다.
병렬 탐색: 견고성을 높이기 위해 ARK 는 $n$ 개의 독립적인 에이전트를 병렬로 실행합니다. 검색된 목록은 투표 기반 순위 융합(출현 빈도 + 최초 발견 시간) 전략을 사용하여 집계됩니다.
레이블 없는 증류: 주요 혁신은 대규모 '교사' 모델 (예: GPT-4.1) 의 도구 사용 정책을 상호작용 궤적에 대한 지도 미세 조정을 통해 더 작은 '학생' 모델 (예: Qwen3-8B) 로 증류할 수 있다는 점입니다. 중요한 점은 이 과정에 실제 정답 관련성 레이블이 전혀 필요 없다는 것입니다. 학생 모델은 교사의 성공적인 도구 호출과 관찰을 모방함으로써 학습합니다.

3. 주요 기여

ARK 프레임워크: 최소한의 표현력 있는 도구 세트 (전역 검색 + 이웃 탐색) 를 통해 LLM 에게 범위 - 깊이 트레이드오프를 제어할 수 있는 권한을 부여하는 훈련 없는 검색 프레임워크 도입.
적응형 검색: 사전 정의된 규칙이나 작업별 훈련 없이 쿼리 유형 (텍스트 대 관계) 에 따라 ARK 가 전략을 자율적으로 전환할 수 있음을 입증.
효율적인 증류: 레이블 없는 궤적 모방을 통해 복잡한 그래프 탐색 정책을 대규모 모델에서 소형 8B 모델로 이전하여 추론 비용의 일부로 높은 성능을 유지하는 방법 제시.
종합 평가: 이질적인 STaRK 데이터셋에 대한 엄격한 벤치마킹을 통해 검색 기반 및 에이전트 기반 베이스라인 모두에서 일관된 개선을 보임.

4. 실험 결과

이 프레임워크는 AMAZON(전자상거래), MAG(학술), PRIME(생물의학) 의 세 가지 대규모 텍스트 풍부 이질적 그래프를 포함하는 STaRK벤치마크에서 평가되었습니다.

성능:
- ARK 는 모든 지표에서 평균 최고 성능을 달성했습니다.
- Hit@1: 평균 59.1% 로, 검색 기반 방법 대비 최대 31.4%, 에이전트 기반 방법 대비 28.0% 개선되었습니다.
- MRR: 평균 67.4%.
- ARK 는 MAG(Hit@1 73.4%) 와 AMAZON(Hit@1 55.8%) 에서 특히 뛰어난 성능을 보였으며, PRIME에서도 경쟁력 있는 결과를 유지했습니다.
적응성:
- AMAZON(텍스트 중심) 에서 ARK 는 호출의 87.7% 에서 Global Search를 사용했습니다.
- MAG와 PRIME(관계 중심) 에서는 명시적 주석 없이 쿼리 분포에 부합하도록 각각 호출의 65.3% 와 52.3% 에서 Neighborhood Exploration으로 전환되었습니다.
증류 효율성:
- ARK 를 Qwen3-8B모델로 증류한 결과, 교사의 Hit@1 비율을 최대 98.5% 유지했습니다.
- PRIME데이터셋에서 증류된 8B 모델은 기본 8B 모델 대비 Hit@1 을 +13.5포인트 절대적으로 개선했습니다.
- 증류는 데이터 효율적입니다: 훈련 궤적의 10% 만 사용하여 전체 성능 향상의 약 절반을 회복했습니다.
절제 연구:
- Neighbors를 제거하면 관계 그래프 (MAG/PRIME) 에서 성능이 크게 저하되어 다중 홉 탐색의 필요성을 확인했습니다.
- 유형 기반 필터링을 제거하면 이질적 그래프에서 성능이 저하되어 스키마 제약의 중요성을 강조했습니다.
- 어휘 대 밀집: 반복적인 ARK 설정에서 BM25(어휘) 가 밀집 검색보다 우월하여, 에이전트의 서브쿼리 정제 능력이 어휘적 한계를 보완함을 시사했습니다.

5. 의의 및 영향

실용성: ARK 는 견고한 KG 검색이 복잡한 훈련이나 막대한 컴퓨팅 예산을 필요로 하지 않음을 보여줍니다. 단순하고 잘 설계된 도구 인터페이스만으로도 LLM 이 복잡한 그래프를 효과적으로 탐색할 수 있습니다.
확장성: 레이블 없는 증류 접근법은 고급 그래프 추론을 더 작고 오픈 소스 모델이 접근 가능하게 하여 KG 증강 시스템 배포의 진입 장벽을 낮춥니다.
해석 가능성: 시스템은 명확한 '예산 - 성능' 트레이드오프를 제공합니다. 사용자는 에이전트 수와 단계 제한을 조정하여 지연 시간과 정확도 사이의 균형을 맞출 수 있으며, 이는 다양한 애플리케이션 요구 사항에 대한 투명한 운영 지점을 제공합니다.
일반화: 작업별 훈련을 피함으로써 ARK 는 지도식 검색 모델에 비해 다른 도메인과 그래프 스키마 간에 본질적으로 더 높은 전이 능력을 가집니다.

결론적으로, ARK 는 적응형 그래프 검색의 새로운 패러다임을 정립하여, 전역 어휘 검색과 제어된 에이전트 주도 이웃 탐색을 결합하는 것이 기존 정적 또는 순수 탐색 기반 방법보다 정확성과 효율성 모두에서 우수한 결과를 산출함을 입증했습니다.