CodaRAG: 보완적 학습에서 영감을 얻은 연관성을 활용하여 지식을 연결하는 방법

CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning

대규모 언어 모델(LLM)은 환각 현상과 분산된 정보에 대한 단편적인 추론으로 인해 지식 집약적인 작업에서 어려움을 겪습니다. 검색 증강 생성(RAG)은 생성 과정을 외부 정보에 기반하도록 하지만, 기존 방법은 종종 증거를 독립적인 단위로 취급하여 이러한 정보들을 연결하는 논리적 연결 고리를 재구성하지 못합니다. 본 논문에서는 보완적 학습 시스템(CLS)에서 영감을 받아, 검색을 수동적인 정보 검색에서 능동적인 연관성 발견으로 발전시키는 프레임워크인 CodaRAG를 제안합니다. CodaRAG는 세 단계의 파이프라인으로 작동합니다. (1) 지식 통합: 단편적인 정보를 안정적인 기억 저장소로 통합합니다. (2) 연관성 탐색: 의미, 문맥, 기능 등 다차원 경로를 통해 그래프를 탐색하여 분산된 증거 연결망을 명시적으로 복원합니다. (3) 간섭 제거: 과도하게 연관된 노이즈를 제거하여 일관성 있고 고정밀 추론 맥락을 보장합니다. GraphRAG-Bench에서 CodaRAG는 검색 재현율에서 7~10%, 생성 정확도에서 3~11%의 절대적인 성능 향상을 달성했습니다. 이러한 결과는 CodaRAG가 사실, 추론 및 창의적인 작업에 대한 연관성 기반 증거 검색을 체계적으로 강화하는 데 뛰어난 능력을 가지고 있음을 보여줍니다.

Large Language Models (LLMs) struggle with knowledge-intensive tasks due to hallucinations and fragmented reasoning over dispersed information. While Retrieval-Augmented Generation (RAG) grounds generation in external sources, existing methods often treat evidence as isolated units, failing to reconstruct the logical chains that connect these dots. Inspired by Complementary Learning Systems (CLS), we propose CodaRAG, a framework that evolves retrieval from passive lookup into active associative discovery. CodaRAG operates via a three-stage pipeline: (1) Knowledge Consolidation to unify fragmented extractions into a stable memory substrate; (2) Associative Navigation to traverse the graph via multi-dimensional pathways-semantic, contextualized, and functional-explicitly recovering dispersed evidence chains; and (3) Interference Elimination to prune hyper-associative noise, ensuring a coherent, high-precision reasoning context. On GraphRAG-Bench, CodaRAG achieves absolute gains of 7-10% in retrieval recall and 3-11% in generation accuracy. These results demonstrate CodaRAG's superior ability to systematically robustify associative evidence retrieval for factual, reasoning, and creative tasks.