LLM 기반의 End-to-End 지오코딩 프레임워크, ReaGeo

본 논문은 기존의 전통적인 다단계 접근 방식이 가진 한계를 극복하기 위해 대규모 언어 모델(LLMs)을 활용한 엔드투엔드(end-to-end) 지오코딩 프레임워크인 ReaGeo를 제안합니다.

기존 지오코딩 시스템은 텍스트 또는 벡터 유사성 검색에 의존하며, 이러한 방식들은 워크플로우가 복잡하고, 한 단계의 오류가 전체 결과에 전파되기 쉬우며, 구조화된 지리 데이터베이스(structured geographic knowledge bases)에 크게 의존한다는 문제점을 안고 있었습니다.

ReaGeo는 이러한 문제를 해결하기 위해 다음과 같은 혁신적인 접근 방식을 취합니다:

1. 좌표 예측 $

ightarrow$ 텍스트 생성으로의 재정의

가장 핵심적인 변화는 지리 좌표(geographic coordinates)를 직접 예측하는 대신, 해당 좌표를 Geohash 시퀀스로 변환하여 문제를 **텍스트 생성 문제(text generation problem)**로 재구성한 것입니다. 이 접근 방식은 LLMs가 본질적으로 텍스트 처리 및 생성을 잘 수행한다는 특성을 최대한 활용할 수 있게 합니다.

2. 추론 능력 강화를 위한 CoT 도입

단순히 다음 토큰을 예측하는 것을 넘어, ReaGeo는 Chain-of-Thought (CoT) 메커니즘을 도입했습니다. 이는 모델이 단순히 답을 내놓는 것이 아니라, 공간적 관계(spatial relationships)에 대한 추론 과정을 거치도록 유도하여 지오코딩의 정확성과 신뢰도를 높입니다.

3. 강화학습 (RL) 기반 최적화

생성된 좌표의 정확도를 극대화하기 위해 강화학습 (Reinforcement Learning, RL) 기법이 적용되었습니다. 특히, '거리 편차 기반 보상(distance-deviation-based reward)'을 사용하여 모델이 실제 지리적 거리에 근접한 출력을 생성하도록 최적화합니다.

ReaGeo의 성능 및 범용성

실험 결과에 따르면, ReaGeo는 다음과 같은 강력한 성능과 범용성을 보여줍니다:

• 명시적 주소 쿼리 처리: 단일 지점 예측(single-point predictions)에서 명확하게 주어진 주소 쿼리를 높은 정확도로 처리합니다.
• 모호한 상대 위치 쿼리 해결: 단순히 좌표가 아닌,