모델 연구

Select, Don't Train: The Benefits of Modular Entity Disambiguation with LLM-Based Selection

ARarXiv8월 31일 발표 · 1분 · 프리프린트

지식 그래프 구축의 핵심인 개체명 모호성 해소(ED) 작업에서, 기존처럼 모든 과정을 통합 학습하는 대신 검색과 선택 단계를 분리한 새로운 프레임워크를 제안했습니다.

세 줄 요약arXiv 원문 기반

특히 별도의 학습이 필요 없는 BM25 검색 방식과 대규모 언어 모델(LLM)을 결합하여 최고 성능을 달성했으며, 시스템의 유지보수 비용을 크게 낮췄습니다.
기존 ED 시스템은 정답 개체가 누락될 경우 오답을 예측하는 한계가 있었으나, 본 프레임워크는 '모름(Abstention)'으로 처리해 신뢰성을 높입니다.
이처럼 과정을 분리함으로써 검색 실패 상황에서도 정확한 판단이 가능하며, AI 시스템의 성능과 견고성 모두를 확보할 수 있다는 것이 핵심 강점입니다.