Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
IA-RAG는 지식을 시간 구간 단위로 모델링하여 시계열 구조를 포착하는 계층적 RAG 프레임워크입니다. Allen의 구간 대수를 활용해 이벤트 간의 지속, 중첩, 포함 관계를 추론하며, 퍼지 구간을 정교화하는 메커니즘을 통해 복잡한 시계열 질의응답 성능을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기검색 증강 생성 (Retrieval-Augmented Generation, RAG)은 외부 지식을 통해 대규모 언어 모델 (Large Language Models, LLMs)을 근거화하는 데 강력한 효과를 보여왔습니다. 그러나 기존의 RAG 및 Graph RAG 프레임워크는 지식을 주로 정적인 것으로 취급하거나, 시간을 거친 입도 (coarse-grained)의 타임스탬프 또는 메타데이터와 연관 지음으로써 지속 시간 (duration), 중첩 (overlap), 포함 (containment)과 같은 풍부한 시계열 구조를 포착하는 데 실패하고 있습니다. 본 논문에서는 지식을 시간 구간 (time intervals)으로 모델링하고 공식적인 시계열 제약 조건 하에서 검색을 수행하는 계층적 시계열 RAG 프레임워크인 IA-RAG를 제안합니다. IA-RAG는 사실을 구간 이벤트 단위 (Interval Event Units, IEUs)로 표현하며, 이를 Allen의 구간 대수 (Interval Algebra)에 의해 시계열 의존성이 제어되는 계층적 테마 포레스트 (Thematic Forest)로 구성합니다. 불완전하거나 불확실한 시계열 경계를 처리하기 위해, IA-RAG는 연결된 이벤트 서브그래프 내의 논리적 제약을 통해 퍼지 구간 (fuzzy intervals)을 정교화하는 서브그래프 시간 조임 (Sub-graph Time Tightening) 메커니즘을 추가로 도입합니다. 또한, IA-RAG는 구간 대수 가이드 트래버설 (interval-algebra-guided traversal)을 통해 암시적 시계열 의미론적 검색을 지원합니다. TimeQA, TempReason, ComplexTR을 포함한 다수의 시계열 질의응답 벤치마크에 대한 실험 결과, IA-RAG는 특히 복잡한 구성적 시계열 추론 (compositional temporal reasoning) 작업에서 강력한 시계열 검색 및 추론 성능을 달성함을 입증하였습니다. 저희의 코드는 https://github.com/xiaoAugenstern/LogicalRAG_TemporalQA 에서 공개되었습니다.