CAGE: 인라인 인용을 통한 장문 질의응답에서 신뢰성을 높이는 인지적 귀인 그래프

CAGE: Cognitive Attribution Graphs for Faithful Inline Citation Generation in Long-Form Question Answering

장문 질의응답 시스템은 LLM(Large Language Model)의 답변에 대한 검증 가능성을 높이기 위해 검색된 증거를 활용하며, 이러한 증거는 답변 내에 포함된 인용문을 통해 원본 문서와 연결됩니다. 그러나 기존 시스템들은 종종 주제적으로 관련이 있지만 주장을 뒷받침하기에는 충분하지 않은 인용문들을 첨부하는 경향이 있습니다. 본 연구에서는 귀인 모호성을 구조적인 문제점으로 지적하며, 엔드투엔드 생성 과정에서 클레임(주장)과 문서 간의 조합을 명시적으로 해결해야 하지만, 이는 증거 경계를 흐리게 하고, 주장이 인용된 증거 범위를 초과하는 '증거 경계 초과' 위험을 증가시킵니다. 이러한 문제점을 해결하기 위해, 본 연구에서는 답변 생성 전에 명시적인 인지적 귀인 지도를 도입하는 두 단계 프레임워크인 CAGE(Cognitive Attribution Graphs for Citation Generation)를 제안합니다. CAGE는 먼저 플러그 앤 플레이 방식으로 작동하는 '인지 지도 유도 모델'을 사용하여 답변 중심의 지원 서브 그래프를 구축하고, 각 의미적 답변 단위를 명시적인 관계를 통해 관련된 문서와 연결합니다. 이후 '구조화된 인용 추론 모델'은 이러한 단위를 문장 수준의 주장으로 구현하며, 지도가 제공하는 정보를 기반으로 정확한 인용문을 생성합니다. ASQA, ELI5, ExpertQA 데이터셋에 대한 실험 결과는 CAGE가 최첨단 성능을 달성했으며, 이는 귀인 공간 축소 및 지도 기반 인용 생성 방식의 효과를 입증합니다.

Long-form question answering increasingly relies on retrieved evidence to make LLM outputs verifiable, with inline citations tracing claims to source documents. However, existing systems often attach citations that are topically related but insufficient to support their claims. We identify attribution ambiguity as a structural challenge: end-to-end generation must implicitly resolve combinatorial claim--document assignments, obscuring evidential boundaries and increasing the risk of evidence-boundary overrun, where claims exceed cited support. To address this challenge, we propose CAGE (Cognitive Attribution Graphs for Citation Generation), a two-stage framework that introduces an explicit cognitive attribution map before answer generation. CAGE first trains a plug-and-play Cognitive Map Induction Model to construct answer-centered support subgraphs, aligning each semantic answer unit with supporting documents through explicit relations. A Structured Citation Reasoning Model then realizes these units as sentence-level claims with map-aligned citations. Experiments on ASQA, ELI5, and ExpertQA show that CAGE achieves state-of-the-art performance, demonstrating the effectiveness of attribution-space contraction and map-guided citation generation.