불완전한 그래프 증거 하에서 LLM 추론의 그라운딩

본 논문은 완전한 진실 상태가 아닌 불완전한 지식 그래프 증거에 의존할 때 대규모 언어 모델의 추론 궤적을 그라운딩하기 위한 이론적 틀을 제시합니다.

• 증거 상태는 엔티티 앵커, 유형화 관계 잔여물, 경로 에너지 및 지원 영역을 유도하며, 언어 모델은 후보 궤적에 대한 사전 분포를 제공합니다.
• 열린 세계의 불완전성 하에서, 관측된 상태에만 기반한 어떤 하드 규칙도 거짓이고 지원되지 않는 모든 궤적을 거부하면서 동시에 참이지만 관측되지 않은 모든 궤적을 유지할 수 없습니다.
• 소프트 그라운딩은 LLM 사전 분포의 KL 정규화 변형으로 특징지어지며, 유한한 슬랙은 모순되지 않지만 지원되지 않는 궤적에 대한 지원을 보존합니다.
• 이 틀은 증거 섭동 하에서 안정성 한계를 도출하며, GraphRAG, KGQA, 그래프 에이전트, 제약 디코딩 및 충실한 생성을 위한 제약 레짐을 명확히 합니다.

주장들은 증거 상대적이며, KG 호환성을 사실적 진실이 아닌 선언된 지원으로 간주합니다.