[논문 리뷰] DA-RAG: Dynamic Attributed Community Search for Retrieval-Augmented Generation

Xingyuan Zeng, Zuohan Wu외 5명|arXiv (Cornell University)|2026. 02. 09.

Information Retrieval and Search Behavior인용 수 0

한 줄 요약

DA-RAG는 Embedding-Attributed Community Search(EACS)와 청크-레이어 그래프 인덱스를 도입하여 RAG를 위한 고차원, 질의 중심 서브그래프를 동적으로 검색하며 baselines 대비 더 높은 정확도와 효율성을 달성합니다.

ABSTRACT

Owing to their unprecedented comprehension capabilities, large language models (LLMs) have become indispensable components of modern web search engines. From a technical perspective, this integration represents retrieval-augmented generation (RAG), which enhances LLMs by grounding them in external knowledge bases. A prevalent technical approach in this context is graph-based RAG (G-RAG). However, current G-RAG methodologies frequently underutilize graph topology, predominantly focusing on low-order structures or pre-computed static communities. This limitation affects their effectiveness in addressing dynamic and complex queries. Thus, we propose DA-RAG, which leverages attributed community search (ACS) to extract relevant subgraphs based on the queried question dynamically. DA-RAG captures high-order graph structures, allowing for the retrieval of self-complementary knowledge. Furthermore, DA-RAG is equipped with a chunk-layer oriented graph index, which facilitates efficient multi-granularity retrieval while significantly reducing both computational and economic costs. We evaluate DA-RAG on multiple datasets, demonstrating that it outperforms existing RAG methods by up to 40% in head-to-head comparisons across four metrics while reducing index construction time and token overhead by up to 37% and 41%, respectively.

연구 동기 및 목표

• 정적 커뮤니티를 넘어서는 고차원 그래프 구조를 활용하여 RAG의 검색 성능을 개선한다.
• Embedding-Attributed Community Search를 제안하여 구조적으로 응집되고 질의 관련성이 높은 서브그래프를 동적으로 추출한다.
• 효율적이고 다중 규모 검색을 위한 청크-레이어 지향 그래프 인덱스를 설계한다.
• 다수의 baselines 대비 DA-RAG의 성능 우수성과 인덱싱 및 토큰 비용의 감소를 실증적으로 보여준다.

제안 방법

• 질의 관련성을 극대화하도록 k-트러스 연결 서브그래프 내에서 질의 관련성을 극대화하는 Embedding-Attributed Community Search(EACS)를 정의한다.
• 의미 체계 청크 층(L_C), 지식 그래프 층(L_KG), 유사성 층(L_S)으로 구성된 3층 오프라인 인덱스를 개발하고 층 간/층 내 간선을 연결한다.
• 먼저 L_C에서 H_C를 식별한 후 G_KG^work 및 G_S^work로 가지치기를 수행하고, 정제된 부분그래프에 대해 EACS를 적용하여 H_KG와 H_S를 얻는 코스-투-파인 온라인 검색을 사용한다.
• LLM 보조 점수화와 맥락 예산 제약을 통한 후보 평가 루프를 통해 k를 적응적으로 결정한다.
• NP-난해성에 대한 정당화와 분석된 복잡성을 가진 Q-Peel 휴리스틱을 제안하여 EACS를 효율적으로 해결한다.
• UltraDomain 데이터셋에 대해 다수의 baselines와 엔드-투-엔드 평가를 제공하고 효과성과 효율성을 측정한다.

Figure 1. Differences between existing methods and our method. (a) Methods w/o community concern are limited to low-order graph topology, capturing only partial aspects. (b) Methods with static community partition could return a diverging and unfocused response. (c) Our method retrieves a query-rele

실험 결과

연구 질문

• RQ1 DA-RAG가 최첨단 baselines와 비교하여 검색 품질과 답변 정확도에서 어떤 성능을 보이는가?
• RQ2 인덱스 구성 및 온라인 검색에서 DA-RAG의 효율성은 어떤가?
• RQ3 DA-RAG가 검색한 부분그래프가 RAG 작업을 위한 구조적 응집성과 의미적 관련성을 탁월하게 보이는가?
• RQ4 EACS의 적응적 k 결정이 질의별로 성능에 어떤 영향을 미치는가?

주요 결과

• DA-RAG는 네 가지 지표에 대해 헤드 투 헤드 비교에서 최대 40%의 향상을 보였다.
• 인덱스 구성 시간과 토큰 오버헤드가 각각 최대 37% 및 41% 감소했다.
• 온라인 검색 중 토큰 소모가 평균 73.8% 감소(일부 데이터셋에서 최대 88.76%)로 GraphRAG-Global과 유사한 지연 시간을 유지했다.
• DA-RAG는 거친-세부 검색 전략과 EACS를 사용하여 고품질의 응집된 서브그래프를 생성한다.
• 적응적 k 결정 절차와 Q-Peel 휴리스틱은 입증 가능한 응집성과 제한된 추론 홉을 갖는 효율적인 질의 가이드 서브그래프 추출을 제공한다.

Figure 2. Overview of the DA-RAG framework: (a) Offline Indexing creates a novel graph index from source documents, comprising a high-level layer ( $L_{C}$ ) and two granular layers ( $L_{KG}$ and $L_{S}$ ). (b) Online Retrieval employs a coarse-to-fine strategy. (c) EACS Formulation defines the sub