리트리벌 오거멘티드 제너레이션 (RAG) 을 활용한 질문 답변의 일반적인 접근법은 문서를 단일 컨텍스트로 연결하여 언어 모델에 전달하고 답안을 생성하는 것입니다. 이 전략은 간단하지만, 개별 문서의 기여도를 가려 attribution(귀속) 을 어렵게 만들며, 긴 컨텍스트에서 관련 정보를 간과하게 하는 lost-in-the-middle'' 효과를 초래합니다. 또한 연결 방식은 확장성이 낮습니다: 컨텍스트 길이에 따라 계산 비용이 제곱적으로 증가하며, 이는 시각적 데이터가 포함된 시각적 질문 답변 (Visual Question Answering) 과 같은 경우에 특히 심화되는 문제입니다. 더 깊은 리트리벌로 제공되는 향상된 recall(검색 회수율) 을 모델이 활용하지 못하게 함으로써 성능을 제한하는 등 이러한 문제를 완화하기 위한 컨텍스트 길이 제한 시도는 오히려 성능에 제약을 가할 수 있습니다. 우리는 언어 모델이 단일 결합된 컨텍스트가 아닌 개별 리트리브드 문서에 조건부 (conditioned) 로 작용하도록 하는 RAG 프레임워크인 베이지안 앙상블 리트리벌 오거멘티드 제너레이션 (BERAG) 과 베이지안 앙상블 파인튜닝 (BEFT) 을 제안합니다. BERAG 은 문서 사후 확률 (document posterior probabilities) 을 앙상블 가중치로 취급하며, 생성 과정에서 베이즈 정리 (Bayes' rule) 를 사용하여 토큰 단위로 이를 업데이트합니다. 이 접근법은 확률적 재순위화 (probabilistic re-ranking), 병렬 메모리 사용, 그리고 문서 기여도의 명확한 귀속을 가능하게 하여 대규모 문서 컬렉션에 적합합니다. 우리는 BERAG 과 BEFT 를 주로 긴且不완전한 리트리벌 목록에서 추론해야 하는 지식 기반 시각적 질문 답변 (knowledge-based visual question answering) 작업에서 평가했습니다. 결과는 표준 RAG 대비 상당한 개선을 보여주었으며, Document Visual Question Answering 과 다중 모달 needle-in-a-haystack 벤치마크에서 특히 강력한 성능 향상을 달성했습니다. 또한 BERAG 이 lost-in-the-middle'' 효과를 완화한다는 것을 입증했습니다. 문서 사후 확률은 불충분한 grounding(지정) 을 감지하고 deflection(방어/전환) 을 트리거하는 데 사용될 수 있으며, 문서 프루닝 (document pruning) 은 표준 RAG 보다 빠른 디코딩을 가능하게 합니다.