An Ontology-Guided Multi-Anchor Graph Retrieval Framework for Traffic Legal Liability Determination

기술 요약: 교통 법적 책임 결정을 위한 온톨로지 가이드형 멀티 앵커 그래프 검색

문제 정의
교통 법규에 따른 책임 결정은 사고 현장, 위반 유형, 책임 당사자, 책임 할당 규칙과 같은 다차원적인 상호 의존적 법률 조항을 동시에 식별해야 하는 복잡한 법적 과정이다. 기존의 검색 증강 생성(RAG) 방식은 "다차원 검색 병목 현상(multi-dimensional retrieval bottleneck)"에 직면해 있다. 표준 밀집 검색(dense retrieval)은 다면적인 법률 쿼리를 단일 벡터로 압축하여, 지배적인 의미 차원(예: 특정 위반 사항)이 다른 법적으로 유의미한 차원들을 밀어내는 현상을 발생시킨다. 마찬가지로, 단일 시작 엔티티로부터 그래프를 탐색하는 지식 그래프 기반 시스템은 초기 추출 단계에서 핵심 엔티티를 놓칠 경우, 다른 온톨로지 차원에 고정된 조항들을 검색하는 데 실패한다. 결과적으로, 이러한 단일 축(single-axis) 아키텍처가 생성한 답변은 유효한 책임 결정을 위해 필요한 전체 법률 적용 범위를 포착하지 못하므로 법적으로 불완전할 수 있다.

방법론: OMAGR 및 TrafficOmni-RAG
이러한 병목 현상을 해결하기 위해, 저자들은 TrafficOmni-RAG의 핵심 검색 엔진인 OMAGR(Ontology-Guided Multi-Anchor Graph Retrieval)을 제안한다. 이 방법론은 다음 단계들을 통해 작동한다:

1. 법률 온톨로지 및 지식 그래프 구축:
   본 시스템은 6개의 중국 교통법 소스(도로교통안전법 및 사법 해석 포함)에서 도출된 6차원 법률 온톨로지($O = \{D_1, ..., D_6\}$)를 기반으로 구축된다. 차원은 다음과 같다:

   • 검색 앵커(Retrieval Anchors): 사고 현장($D_1$), 위반 유형($D_2$), 책임 당사자($D_3$), 책임 범주($D_4$).
   • 결과 차원(Outcome Dimensions): 법적 결과($D_5$), 피해 유형($D_6$).
     527개의 조항을 포함하는 Neo4j 지식 그래프($G$)가 구축된다. 조항들은 노드로 존재하며, 온톨로지 연관 관계, 조항 간 상호 참조, 법적 계층 구조를 나타내는 타입형 엣지(typed edges)로 연결된다.

2. 병렬 멀티 앵커 검색(Parallel Multi-Anchor Retrieval):
   단일 경로 탐색과 달리, OMAGR은 사용자 쿼리를 온톨로지에 정렬된 구조화된 법률 앵커로 분해한다. 시스템은 4개의 앵커 차원($D_1$–$D_4$)에 대해 병렬 그래프 검색을 동시에 실행한다. 이를 통해 모든 법적으로 유의미한 차원이 독립적인 검색 경로를 확보하게 함으로써, 지배적인 의미 신호가 다른 중요한 차원을 억제하는 것을 방지한다.

3. 지원 메커니즘:

   • 쿼리 확장(Query Expansion): 각 앵커의 경로 내에서 어휘적 및 주제적 재현율(recall)을 개선하기 위해 패러프레이징된 문구들을 생성한다.
   • 2-홉 관계 확장(Two-Hop Relational Expansion): 상위 위반 결과로부터 조항 간 상호 참조 엣지를 탐색하여, 기본 온톨로지 엣지를 통해서는 직접 도달할 수 없는 공통 적용 법률(예: 절차적 조항과 연결된 처벌 규정)을 복구한다.
   • 밀집 검색(Dense Retrieval): 그래프 연결성이 약한 조항들을 위한 의미적 백업 기능을 제공한다.
   • 퓨전 및 정제(Fusion and Refinement): 모든 검색된 집합은 상호 순위 결합(Reciprocal Rank Fusion, RRF)을 사용하여 병합된다. 이후 교차 인코더 리랭커(cross-encoder reranker)가 상위 8개의 조항을 선택하며, 근접 중복 제거를 위한 최대 한계 관련성(Maximal Marginal Relevance, MMR)과 토큰 할당 최적화를 위한 계층적 컨텍스트 프루닝(hierarchical context pruning)이 수행된다.

4. 생성(Generation):
   정제된 조항 집합은 생성 모델(GLM-4-Flash)의 컨텍스트로 사용된다. 시스템은 인용 근거 기반 생성(citation-grounded generation)을 채택하여, 모델이 법률 문구를 그대로 증거로서 삽입하도록 지시하고, 환각 현상을 최소ization하기 위해 검색된 집합 이외의 인용을 금지한다.

주요 기여

1. OMAGR 프레임워크: 법률 도메인의 다차원 검색 병목 현상을 해결하기 위해 설계된 병렬 멀티 앵커 그래프 검색 아키텍처를 제안하였다.
2. TrafficLaw-QA 벤치마크: 200개의 질문과 527개의 법률 조항을 포함하며 전문가 검증을 거친 새로운 벤치마크 데이터셋을 도입하였다. 이 데이터셋은 이중 맹검 프로토콜(Cohen's $\kappa = 0.82$) 하에 주석이 달렸으며, 상호 의존적인 차원 간의 다중 조문 근거가 필요한 시나리오를 구체적으로 타겟팅한다.
3. 실증적 검증: 실험 및 절제 연구(ablation studies)를 통해 제안된 시스템이 베이스라인 대비 컨텍스트 정밀도(Context Precision)와 충실도(Faithfulness)를 실질적으로 향상시킴을 입증하였다.

실험 결과
TrafficLaw-QA 데이터셋을 사용하여 RAGAS 지표로 평가한 결과, TrafficOmni-RAG는 세 가지 베이스라인(Naive RAG, TrafficRAG, LlamaIndex KG)보다 우수한 성능을 보였다.

• 컨텍스트 정밀도(Context Precision): TrafficOmni-RAG는 가장 높은 점수(0.915)를 기록하며 LlamaIndex KG(0.722)를 크게 앞질렀다. 저자들은 이를 단일 엔티티에 집중하는 대신 모든 관련 차원에서 조항을 검색해내는 멀티 앵커 설계 덕분이라고 분석했다.
• 충실도(Faithfulness): 시스템은 0.787을 달성하여 Naive RAG(0.625)와 LlamaIndex KG(0.751)를 능가했다.
• 절제 연구(Ablation Studies): 멀티 앵커 구성 요소를 제거(단일 앵커 검색으로 회귀)했을 때 성능 저하가 가장 컸으며(컨텍스트 정밀도가 0.915에서 0.862로 하락), 이는 병렬 검색 구조가 성공의 주요 동력임을 확인시켜 준다.
• 트레이드오프(Trade-offs): TrafficRAG는 BM25 키워드 매칭 덕분에 약간 더 높은 컨텍스트 재현율(0.896 vs 0.885)을 기록했으나, TrafficOmni-RAG는 정밀도를 우선시했다. 저자들은 법률 QA에서 무관한 컨텍스트로 인한 환각 위험을 줄이기 위해 정밀도가 기능적으로 더 우월하다고 주장한다.

의의 및 주장
본 논문은 병렬 멀티 앵커 검색이 교통법 책임 결정에 내재된 다차원 검색 병목 현상을 효과적으로 해결한다고 주장한다. 융합 전 모든 법적으로 유의미한 차원에 대해 독립적인 증거를 수집함으로써, 이 프레임워크는 단일 축 아키텍처가 조항 간의 상호 의존성을 포착하지 못하는 법률 연구 분야에 유망한 방향을 제시한다. 저자들은 TrafficOmni-RAG를 단순한 검색 지표의 개선이 아니라, 하나의 사고가 여러 법적 카테고리의 조항을 동시에 활성화하는 복잡한 법적 추론을 처리하기 위한 필수적인 구조적 전환으로 포지셔닝한다.

한계점
저자들은 몇 가지 한계점을 인정하였다: 앵커 추출의 품질이 LLM 파싱 단계에 의존하며(맹검 평가에서 F1 점수 64.3% 관찰), 현재 구현된 고정된 2-홉 확장 반경은 더 깊은 의존성 체인을 놓칠 수 있으며, 현재 구현은 중국 교통법에 국한되어 있어 타 관할권에 대한 일반화 가능성에 대한 추가 검증이 필요하다.