LLM 기반의 제로샷 문장 수준 단락 정제를 활용한 검색 증강 생성 (Enhancing Retrieval-Augmented Generation Through Zero-Shot Sentence-Level Passage Refinement with LLMs)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 52권 / 4호 / 304 ~ 309페이지
· 저자명 : 황태호, 정소영, 조석민, 박종철

초록

이 연구는 검색 증강 생성(Retrieval-Augmented Generation; RAG) 방법의 성능과 효율성을 높이기 위해, 대형언어모델(Large Language Models; LLMs)만을 사용하여 검색된 문서에서 관련 없는 내용을 문장 단위로 제거하는 새로운 방법론을 제안한다. 이 방법론은 추가적인 학습이나 데이터 없이 오직 대형언어모델만을 활용하여 단락 정보를 정제하여 지식 집약 태스크(Knowledge Intensive Task)에서 성능을 향상시키는 것을 목표로 한다. 이에 대해 본 방법론을 오픈 도메인 질의응답(Open-Domain QA) 환경에서 성능을 평가하였고, 기존 RAG 방법에 비해 불필요한 내용을 효과적으로 제거하며 성능을 향상시킬 수 있음을 입증했다. 이 방법론은 기존 RAG 방식보다 불필요한 내용을 효과적으로 제거하여 성능을 향상시켰으며, 추가적인 데이터 학습 없이 제로샷으로 RAG의 성능을 개선할 수 있음을 입증했다.

영어초록

This study presents a novel methodology designed to enhance the performance and effectiveness of Retrieval-Augmented Generation (RAG) by utilizing Large Language Models (LLMs) to eliminate irrelevant content at the sentence level from retrieved documents. This approach refines the content of passages exclusively through LLMs, avoiding the need for additional training or data, with the goal of improving the performance in knowledge-intensive tasks. The proposed method was tested in an open-domain question answering (QA) environment, where it demonstrated its ability to effectively remove unnecessary content and outperform over traditional RAG methods. Overall, our approach has proven effective in enhancing performance compared to conventional RAG techniques and has shown the capability to improve RAG's accuracy in a zero-shot setting without requiring additional training data.

참고자료

· 없음