Group-Aware Adative Retrieval for Evidence Navigation
24 Nov 2025
24 Nov 2025
본 문서에서는 EMNLP 2026 Main Conference에 게재된 논문 “Group-Aware Adaptive Retrieval for Evidence Navigation”을 소개합니다. 논문의 상세 정보는 아래와 같습니다.
Title: Group-Aware Adaptive Retrieval for Evidence Navigation
Authors: June Park*, Jun Kwon*, Jonghyo Kim, Jongwuk Lee (* : equal contribution)
The 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP)
Adaptive Retrieval
추론 집약적 검색(Reasoning-intensive Retrieval)은 키워드나 의미 유사도만으로는 관련성을 알 수 없고, 여러 단계의 추론을 거쳐야 관련 문서를 알아볼 수 있는 검색 과제입니다. 이 경우 정답 문서는 1차 검색 결과에 거의 포함되지 않습니다.
기존 Retrieve-and-Rerank는 1차 검색 결과로 고정된 후보 집합만 재정렬하므로, 후보에 없는 정답 문서는 끝내 찾지 못하는 한계(bounded recall)가 있습니다. Adaptive Retrieval은 문서 유사도로 연결된 코퍼스 그래프를 따라 상위 문서와 비슷한 문서를 반복적으로 후보에 추가하여, 1차 검색이 놓친 정답 문서를 발견합니다.
<그림 1> Retrieve-then-Rerank와 Adaptive Retrieval 비교
Motivation
기존 Adaptive Retrieval은 현재 후보 문서에 담긴 근거만으로 확장 방향을 결정합니다. 따라서 현재 문서에 관련 근거가 거의 없으면 올바른 방향을 찾지 못하며, 관련성이 간접적으로만 드러나는 추론 집약적 검색에서는 이 문제가 더욱 심각합니다. 이에 본 연구는 "약하고 간접적인 신호만으로 관련 문서를 향한 확장 방향을 어떻게 선택할 수 있을까? "라는 질문에서 출발합니다.
<그림 2> 확장 대상 선택 방식의 비교
저희는 이 질문에 답하기 위해서는 확장 방향을 개별 문서가 아닌 문서 그룹 단위로 판단해야 한다고 생각했습니다. 이를 위해 문서 단위 확장의 다음 두 가지 문제에 주목했습니다.
첫째, 문서 단위 확장은 어느 방향이 정답으로 이어지는지 알기 어렵습니다. 문서 단위 확장은 개별 문서의 관련성에 의존하는데, 현재 문서들은 확장했을 때 무엇이 나올지에 대해 거의 알려주지 않습니다. 초기에 잘못된 방향을 선택하면 그 오류가 이후 단계로 누적됩니다. 반면 그룹 단위로 보면, 그룹 요약이 각 방향에 어떤 정보가 있는지 미리 보여주므로 방향을 비교하고 선택할 수 있습니다.
둘째, 문서 단위 확장은 멀리 있는 정답 문서에 도달하기 어렵습니다. 문서 단위 확장은 한 번에 이웃 문서까지만 이동하므로, 정답 문서가 멀리 있으면 도달하기까지 많은 단계가 필요합니다. 그룹 단위 확장은 한 번에 그룹 전체에 접근하므로, 같은 정답 문서에 훨씬 적은 단계로 도달할 수 있습니다.
<그림 3> 문서 단위 확장과 그룹 단위 확장의 비교 예시.
Proposed Method
이러한 문제를 해결하기 위해, 본 연구에서는 GAREN (Group-Aware Adaptive Retrieval for Evidence Navigation)을 제안합니다. GAREN은 거친 단위의 그룹 확장과 세밀한 단위의 문서 재순위화를 결합하며, (1) Group Construction, (2) Group-Aware Adaptive Retrieval, (3) Group-Driven Evidence Propagation의 세 단계로 구성됩니다.
<그림 4> GAREN overview
(a) Group Construction
MVP는 질의와 각 문서를 독립적으로 인코딩하여 상호 간섭을 차단함으로써 편향을 제거합니다. 구체적으로 질의와 문서 앞에 m개의 View Token 을 추가하여 인코딩합니다. 이때 모든 문서에 동일한 View Token과 위치 정보를 사용함으로써, 문서가 입력되는 순서나 식별자에 상관없이 오직 '질의-문서' 간의 내용적 관련성만을 Relevance Vector로 표현합니다. 이를 통해 위치 편향과 선택 편향을 제거합니다.
(b) Group-Aware Adaptive Retrieval
매 반복마다 리랭커가 현재 후보 문서를 재순위화하고, 내비게이터가 질의와 이웃 그룹의 요약을 비교해 그룹별 점수를 계산합니다. 점수가 높은 그룹에서 새 문서를 가져와 다음 후보 집합에 추가합니다. 이때 탐색 후 활용(Explore-then-Exploit) 전략을 사용합니다.
Exploration (Early): 근거가 부족한 초기에는 여러 그룹에서 고르게 문서를 가져와 잘못된 방향으로 쏠리는 것을 방지합니다.
Exploitation (Late): 근거가 쌓인 후기에는 점수가 높은 그룹에 집중하여 정답 문서를 찾아냅니다.
(c) Group-Driven Evidence Propgation
검색이 끝나면 최종 상위 문서가 가진 근거를 같은 그룹의 다른 문서에 순위 가중치로 전파합니다. 이를 통해 근거가 풍부한 그룹에 속해 있지만 리랭커만으로는 충분히 올라오지 못한 문서의 순위를 끌어올립니다.
Experiments
실험 결과, GAREN은 추론 집약적 검색 벤치마크 BRIGHT에서 비추론·추론 재순위화 두 설정 모두 기존 방법을 능가했고, 가장 강력한 baseline 대비 최대 8.0%의 성능 향상을 달성했습니다.
<그림 5> BRIGHT에서의 nDCG@10 성능 비교
특히 정답 문서가 초기 검색 결과에서 멀리 떨어진 경우에 효과가 두드러집니다. <그림 6>에서 보이는 것 처럼 초기 후보에서 가장 가까운 정답 문서까지의 거리(hop)별로 분석한 결과, GAREN은 모든 거리에서 기존 그래프 기반 방법보다 더 많은 정답 문서를 찾았고, 거리가 멀어질수록 그 격차가 커졌습니다.
<그림 6> 초기 후보에서 가장 가까운 정답 문서까지의 그래프 거리(hop)별 Hit@100 비교
Ablation 결과, 그룹 요약 기반 내비게이터를 제거하면 성능이 크게 하락했으며, 탐색 후 활용 전략과 증거 전파도 각각 성능 향상에 기여했습니다.
<그림 7> Ablation 결과
Conclusion
본 연구에서는 추론 집약적 검색의 고질적인 문제인 제한된 재현율(bounded recall)을 해결하기 위해, 그룹 단위로 확장 방향을 판단하는 적응형 검색 프레임워크 GAREN을 제안했습니다. GAREN은 코퍼스 그래프를 의미적 그룹으로 구성하고, 그룹 수준 내비게이터와 문서 수준 리랭커를 탐색 후 활용 전략으로 결합하여 약하고 간접적인 신호에서도 정답 문서로 향하는 방향을 찾아냅니다.
실험을 통해 GAREN이 기존 적응형 검색 기법을 능가하며, 특히 정답 문서가 초기 검색 결과에서 멀리 있을수록 효과가 커짐을 확인했습니다. 본 연구가 단서가 부족한 질의에서도 근거 문서를 안정적으로 찾아내는 검색 시스템의 기반이 되기를 기대합니다.