의사 결정에 유용한 검색을 위한 가설 기반 질의 재작성

Hypothesis-Conditioned Query Rewriting for Decision-Useful Retrieval

검색 증강 생성(RAG)은 외부, 비모수적 지식을 활용하여 대규모 언어 모델(LLM)의 성능을 향상시킵니다. 그러나 특정 작업에서 여러 선택지 중 하나를 선택해야 할 때, 단순히 광범위하게 관련된 맥락을 활용하는 것만으로는 최종 의사 결정을 내리는 데 충분하지 않은 경우가 많습니다. 기존의 RAG 방법은 일반적으로 단일 초기 질의에 의존하는데, 이는 종종 주제 관련성보다 의사 결정에 관련된 증거를 우선시하여, 결과적으로 답변 옵션을 구별하는 데 도움이 되지 않는 배경 정보를 검색하게 됩니다. 이러한 문제를 해결하기 위해, 본 논문에서는 훈련이 필요 없는 사전 검색 프레임워크인 가설 기반 질의 재작성(HCQR)을 제안합니다. HCQR은 입력 질문과 후보 옵션으로부터 간단한 가설을 도출한 다음, 세 가지 목표 지향적인 질의로 검색을 재구성하여 다음과 같은 증거를 찾습니다: (1) 가설을 뒷받침하는 증거, (2) 가설과 경쟁적인 대안과 구별하는 증거, (3) 질문의 중요한 단서를 검증하는 증거. 이러한 접근 방식은 답변 선택과 더 직접적으로 연결되는 맥락 검색을 가능하게 하여, 생성 모델이 검색된 증거를 기반으로 초기 가설을 확인하거나 반증할 수 있도록 합니다. MedQA 및 MMLU-Med 데이터 세트에서의 실험 결과, HCQR은 단일 질의 RAG 및 재순위/필터링 기준 모델보다 일관되게 우수한 성능을 보였으며, 평균 정확도가 단순 RAG 모델보다 각각 5.9점 및 3.6점 향상되었습니다. 관련 코드는 https://anonymous.4open.science/r/HCQR-1C2E 에서 확인할 수 있습니다.

Retrieval-Augmented Generation (RAG) improves Large Language Models (LLMs) by grounding generation in external, non-parametric knowledge. However, when a task requires choosing among competing options, simply grounding generation in broadly relevant context is often insufficient to drive the final decision. Existing RAG methods typically rely on a single initial query, which often favors topical relevance over decision-relevant evidence, and therefore retrieves background information that can fail to discriminate among answer options. To address this issue, here we propose Hypothesis-Conditioned Query Rewriting (HCQR), a training-free pre-retrieval framework that reorients RAG from topic-oriented retrieval to evidence-oriented retrieval. HCQR first derives a lightweight working hypothesis from the input question and candidate options, and then rewrites retrieval into three targeted queries that seek evidence to: (1) support the hypothesis, (2) distinguish it from competing alternatives, and (3) verify salient clues in the question. This approach enables context retrieval that is more directly aligned with answer selection, allowing the generator to confirm or overturn the initial hypothesis based on the retrieved evidence. Experiments on MedQA and MMLU-Med show that HCQR consistently outperforms single-query RAG and re-rank/filter baselines, improving average accuracy over Simple RAG by 5.9 and 3.6 points, respectively. Code is available at https://anonymous.4open.science/r/HCQR-1C2E.