PathISE: 지식 그래프 질문 답변을 위한 정보성 경로 감독 학습
요약
PathISE는 지식 그래프 질문 답변(KGQA) 시스템의 성능 향상을 목표로 하는 새로운 프레임워크입니다. 기존 KGQA 방법들이 LLM을 활용하여 KGs에 접지시키지만, 효과적인 증거 검색을 위해서는 고품질의 중간 감독 신호가 필수적이며 이는 얻기 어렵습니다. PathISE는 답변 수준의 레이블만을 사용하여 질문과 관련된 '정보성 경로(informative paths)'를 자동으로 학습하고 추출함으로써 이 문제를 해결합니다.
핵심 포인트
- KGQA는 지식 그래프 기반 추론을 통해 사용자 질문에 답하는 것을 목표로 합니다.
- 최신 KGQA 방법들은 LLM을 활용하여 KGs의 구조화된 지식에 접지(grounding)시키는 방식을 따릅니다.
- 효과적인 증거 검색을 위해서는 고품질의 중간 감독 신호(예: 관련 경로 또는 서브그래프)가 필요하지만, 이는 수집이 어렵습니다.
- PathISE는 답변 수준의 레이블만으로도 질문에 필요한 '정보성 경로'를 자동으로 학습하고 추출하는 새로운 프레임워크를 제안합니다.
지식 그래프 질문 답변(KGQA)은 지식 그래프(KGs) 위에서 추론하여 사용자 질문에 답하는 것을 목표로 합니다. 최근 KGQA 방법들은 주로 검색 증강 생성(retrieval-augmented generation) 패러다임을 따라 대규모 언어 모델(LLMs)을 KGs의 구조화된 지식으로 접지(ground)합니다. 하지만, 질문과 관련된 증거를 KGs에서 효과적으로 검색하도록 모델을 훈련시키려면 일반적으로 질문 관련 경로 또는 서브그래프와 같은 고품질 중간 감독 신호가 필요하며, 이는 얻는 데 시간과 자원이 많이 소요됩니다. 본 논문에서는 답변 수준의 레이블로부터 고품질 중간 감독을 학습하는 새로운 프레임워크인 PathISE를 제안합니다. PathISE는 l
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기4