추론의 위상: 텍스트 그래프 질의응답을 위한 검색된 셀 복합체 증강 생성

Topology of Reasoning: Retrieved Cell Complex-Augmented Generation for Textual Graph Question Answering

검색 증강 생성(RAG)은 외부 지식을 동적으로 통합함으로써 대형 언어 모델(LLM)의 추론 능력을 향상시키며, 이를 통해 환각을 완화하고 그래프와 같은 구조화된 데이터에 대한 문맥적 기반을 강화한다. 그럼에도 불구하고, 텍스트 그래프를 위한 대부분의 기존 RAG 변형 모델들은 노드를 개체(0차원)로, 엣지나 경로를 쌍 또는 순차적 관계(1차원)로 취급하는 저차원 구조에 집중하며, 관계형 루프 추론에 필수적인 사이클(순환 구조)은 간과한다. 이러한 사이클은 유사한 객체나 상대적 위치에 대한 폐루프(closed-loop) 추론을 요구하는 질문에서 자주 발생한다. 이러한 한계는 종종 불완전한 문맥적 근거와 제한된 추론 능력을 초래한다. 본 연구에서는 고차원적 위상 및 관계적 종속성을 효과적으로 포착하는 텍스트 그래프 질의응답을 위한 새로운 프레임워크인 위상 강화 검색 증강 생성(TopoRAG)을 제안한다. 구체적으로, TopoRAG는 먼저 다차원 위상 구조를 모델링하기 위해 텍스트 그래프를 셀 복합체(cellular complexes)로 상향(lift)시킨다. 이렇게 상향된 표현을 활용하여, 입력 질의와 관련된 셀 복합체를 추출하는 위상 인식 부분복합체 검색 메커니즘을 제안하며, 이를 통해 압축적이고 정보가 풍부한 위상학적 문맥을 제공한다. 마지막으로, 다차원 위상 추론 메커니즘이 이러한 복합체 상에서 작동하여 관계 정보를 전파하고 LLM이 구조화되고 논리를 인지하는 추론을 수행하도록 유도한다. 경험적 평가를 통해 본 제안 방법이 다양한 텍스트 그래프 과제에서 기존 베이스라인 모델들을 일관되게 능가함을 입증한다.

Retrieval-Augmented Generation (RAG) enhances the reasoning ability of Large Language Models (LLMs) by dynamically integrating external knowledge, thereby mitigating hallucinations and strengthening contextual grounding for structured data such as graphs. Nevertheless, most existing RAG variants for textual graphs concentrate on low-dimensional structures -- treating nodes as entities (0-dimensional) and edges or paths as pairwise or sequential relations (1-dimensional), but overlook cycles, which are crucial for reasoning over relational loops. Such cycles often arise in questions requiring closed-loop inference about similar objects or relative positions. This limitation often results in incomplete contextual grounding and restricted reasoning capability. In this work, we propose Topology-enhanced Retrieval-Augmented Generation (TopoRAG), a novel framework for textual graph question answering that effectively captures higher-dimensional topological and relational dependencies. Specifically, TopoRAG first lifts textual graphs into cellular complexes to model multi-dimensional topological structures. Leveraging these lifted representations, a topology-aware subcomplex retrieval mechanism is proposed to extract cellular complexes relevant to the input query, providing compact and informative topological context. Finally, a multi-dimensional topological reasoning mechanism operates over these complexes to propagate relational information and guide LLMs in performing structured, logic-aware inference. Empirical evaluations demonstrate that our method consistently surpasses existing baselines across diverse textual graph tasks.