MEGRAG: 답변 인식 멀티홉 RAG을 위한 다중 분해능 증거 그래프

MEGRAG: Multi-Granular Evidence Graphs for Answer-Aware Multi-Hop RAG

멀티홉 질문 응답은 검색 기반 생성(RAG)에서 기본적인 난제이며, 정답을 얻기 위해서는 흩어져 있는 증거들을 통합해야 합니다. 반복적인 RAG (iRAG)는 이러한 문제 해결에 널리 사용되지만, 기존 방법들은 다음과 같은 두 가지 한계점을 가지고 있습니다. 첫째, 대부분의 방법은 여전히 각 추론 단계에서 단일 분해능의 증거만을 사용하여 정보 밀도와 문맥적 노이즈 사이의 균형을 맞추기 어렵습니다. 둘째, 기존 방법들은 종종 여러 단계를 거쳐 검색된 증거를 통합한 후에야 원래 질문에 대한 답변을 제공하기 때문에, 불필요한 증거나 중간 단계에서의 검색 오류가 누적되어 최종 답변의 품질을 저하시킬 수 있습니다. 이러한 한계점을 해결하기 위해, 우리는 답변 인식을 기반으로 하는 MEGRAG라는 프레임워크를 제안합니다. MEGRAG는 멀티홉 추론 과정을 경로 구조를 가진 다중 분해능 증거 그래프로 표현합니다. 오프라인 단계에서 MEGRAG는 텍스트 문서와 문장, 그리고 추출된 삼항 관계를 교차 분해능 인덱스를 통해 연결합니다. 온라인 단계에서는 현재 질의에 대한 관련 텍스트 문서를 검색하고, 정렬된 증거를 선택하며, 먼저 간결한 삼항 관계부터 시작하여 필요에 따라 문장 또는 문서 수준의 문맥 정보를 추가합니다. MEGRAG는 이렇게 얻어진 중간 답변과 이전 추론 과정을 사용하여 초기 질문이 해결되었는지 판단합니다. 만약 해결되지 않았다면, 누락된 정보를 파악하고 더욱 구체적인 다음 질의를 생성합니다. 그렇지 않으면 검색을 중단하고 답변을 반환합니다. 광범위한 실험 결과는 MEGRAG가 다양한 RAG 기반 모델에 대해 일관되게 성능 향상을 가져옴을 보여줍니다.

Multi-hop question answering is a fundamental challenge in retrieval-augmented generation (RAG), because deriving an answer requires integrating dispersed evidence. Iterative RAG (iRAG) is widely used for this challenge, but existing methods have two limitations. First, most methods still support each reasoning step with single-granularity evidence, making it difficult to balance information density and contextual noise. Second, existing methods often answer the original question only after aggregating evidence retrieved across intermediate steps, so redundant evidence and intermediate retrieval errors may accumulate and degrade the final answer. To address these limitations, we propose MEGRAG, an answer-aware framework that represents multi-hop reasoning as a path-structured multi-granular evidence graph. Offline, MEGRAG links passages to their sentences and extracted triples through a cross-granularity index. Online, it retrieves passages for the current query and selects aligned evidence, starting with compact triples and adding sentence or passage context as needed. MEGRAG uses the resulting intermediate answer and prior reasoning to decide whether the Initial Query has been resolved. If not, it identifies the missing information and formulates a focused next query; otherwise, it stops retrieval and returns the answer. Extensive experiments demonstrate consistent gains over a diverse set of RAG baselines.