R2-KG: 신뢰할 수 있는 지식 그래프 추론을 위한 혁신적인 이중 에이전트 프레임워크

조수민, 최준성, 김지호, 최에드워드 연구팀이 개발한 R2-KG는 이중 에이전트 구조와 거절 메커니즘을 통해 기존 LLM 기반 KG 추론의 한계를 극복하고, 비용 효율성과 높은 신뢰성을 동시에 달성한 혁신적인 프레임워크입니다. 다양한 실험 결과를 통해 우수한 성능을 입증했습니다.

R2-KG: 지식 그래프 추론의 새로운 지평을 열다

최근 대규모 언어 모델(LLM)과 지식 그래프(KG)를 결합하여 추론 성능을 향상시키려는 연구가 활발합니다. 추가적인 훈련 없이 추론 정확도를 높이고, 환각(hallucination) 문제를 완화하는 것이 주된 목표죠. 하지만 기존 프레임워크는 KG나 과제 변화에 유연하게 적응하지 못하고, 강력한 LLM에 지나치게 의존하는 경향이 있었습니다.

조수민, 최준성, 김지호, 최에드워드 연구팀은 이러한 한계를 극복하기 위해 R2-KG, 즉 플러그 앤 플레이 방식의 이중 에이전트 프레임워크를 제시했습니다. R2-KG는 추론 과정을 두 가지 역할로 분담합니다. 연산자(Operator, 저용량 LLM) 는 KG에서 증거를 수집하고, 감독자(Supervisor, 고용량 LLM) 는 최종 판단을 내리는 역할을 수행하는 것이죠. 이러한 설계는 LLM 추론 비용을 효율적으로 절감하면서 강력한 추론 정확도를 유지할 수 있습니다.

R2-KG의 핵심은 '거절(Abstention)' 메커니즘입니다. KG에서 충분한 증거가 수집되지 않으면 답변을 생성하지 않습니다. 이를 통해 신뢰성이 크게 향상됩니다. 다양한 KG 기반 추론 과제에 대한 실험 결과, R2-KG는 연산자로 사용되는 LLM의 성능과 관계없이 정확도와 신뢰성 측면에서 기존 방식을 꾸준히 능가했습니다.

더 나아가, 연구팀은 엄격한 자기 일관성 전략을 갖춘 단일 에이전트 버전의 R2-KG도 실험했습니다. 이 버전은 기존 방식보다 신뢰성이 훨씬 높고 추론 비용도 절감되었지만, 복잡한 KG에서는 거절률이 높아지는 단점이 있었습니다. 이는 추론의 신뢰성과 효율성 사이의 균형을 고려해야 함을 시사합니다.

결론적으로, R2-KG는 유연하고 비용 효율적인 KG 기반 추론 솔루션으로, 고용량 LLM에 대한 의존도를 줄이면서 신뢰할 수 있는 추론을 보장하는 혁신적인 프레임워크임을 확인할 수 있었습니다. 이는 지식 그래프 기반 인공지능 기술 발전에 중요한 이정표가 될 것으로 기대됩니다.