RAG
1.[논문 리뷰] Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
해당 포스팅은 논문에 대한 번역이 아닌 요점 위주로 정리해놓은 글임을 밝힙니다. Background Knowledge Intensive Task (KIT) : 단순한 정보 검색 그 이상을 의미함. 문제 해결을 위해 광범위한 배경 지식이 필요하며, 지식의 응용이 필요
2.[논문 리뷰] Learning Retrieval Augmentation for Personalized Dialogue Generation
PreRequisite RAG(Retrieval-Augmented Generation) retriever과 generator를 결합한 프레임워크 질문에 답하기 위해 모델의 내부 지식만을 바탕으로 답을 하는 것이 아니라 외부 지식 소스를 이용하여 답 가능
3.[논문 리뷰] Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering
RAG의 한계점retrieve해오는 passage의 수가 늘어도 성능 개선 폭이 크지 않거나 오히려 성능이 감소하는 문제가 발생이는 RAG의 복잡한 aggregation 과정으로 인해 passage 수에 quadratic한 연산량 증가가 있기 때문 (자세한 내용은 해당
4.[논문 리뷰] From Local to Global: A Graph RAG Approach to Query-Focused Summarization
Background Query-Focused Summarization(QFS) 어떤 텍스트의 단순 요약이 아닌, 질문에 대한 답변을 포함하는 요약을 생성하는 태스크 단순히 원문에서 문장을 발췌할 수도 있지만, 질문에 맞춰 추상적으로 요약하여 자연스러운 답변을 생
5.[논문 리뷰] SELF-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection
SELF-RAG
6.[논문 리뷰] Corrective Retrieval Augmented Generation
Problem Defintion LLM 응답의 정확성은 내재하고 있는 지식만으로는 보장할 수 없기 때문에 환각 현상이 발생 이를 해결하기 위해 RAG가 등장했지만, RAG의 효과는 검색된 문서의 관련성 및 정확성에 달려있음 (검색된 지식에 대한 과도한 의존) 하지만, 전통적인 RAG 기법들은 관련성 검사 없이 고정된 수의 문서들을 무차별적으로 검색 → "검...