[논문 리뷰] SF-RAG: Structure-Fidelity Retrieval-Augmented Generation for Academic Question Answering

Rui Yu, Tianyi Wang외 2명|arXiv (Cornell University)|2026. 02. 14.

Topic Modeling인용 수 0

한 줄 요약

SF-RAG는 학술 논문의 고유한 계층 구조를 보존하여 구조-충실성 검색을 수행하고 고정된 토큰 예산 하에서 검색 단편화를 줄이고 증거 배치를 개선한다.

ABSTRACT

Efficient question-answering (QA) over extensive scientific literature is essential for evidence-based engineering decision-making. Retrieval-augmented generation (RAG) is increasingly applied to question-answering over long academic papers, where accurate evidence allocation under a fixed token budget is critical. However, existing approaches flatten papers into unstructured chunks, destroying the native hierarchical structure and forcing retrieval to operate in a disordered space. This produces fragmented contexts, misallocates tokens to non-evidential regions, and increases the reasoning burden for downstream language models.To address these issues, we propose SF-RAG, an RAG framework that treats the native hierarchical structure of academic papers as a low-entropy retrieval prior.SF-RAG first inherits the native hierarchy to construct a structure-fidelity index, which prevents entropy increase at the source.It then designs a path-guided retrieval mechanism that aligns query semantics to relevant sections and selects high relevance root-to-leaf paths under a fixed token budget, yielding compact, coherent, and low-entropy retrieval contexts.In contrast to existing RAG approaches, SF-RAG avoids entropy increase caused by destructive preprocessing and provides a native low-entropy structural basis for subsequent retrieval. We further introduce entropy-based structural diagnostics to quantify retrieval fragmentation and evidence allocation accuracy.Evaluations across three QA benchmarks show that SF-RAG significantly reduces retrieval fragmentation and improves evidence allocation. These structural benefits drive superior answer quality, establishing a scalable foundation for intelligent engineering document systems and future applications in technical specifications.

연구 동기 및 목표

• 증거 기반 엔지니어링 의사결정을 위해 긴 과학 문헌에 대한 효율적인 QA를 촉진한다.
• 논문을 비구조적 청크로 평탄화하는 한계와 그것이 증거 배치에 미치는 영향을 식별한다.
• 구조를 보존하여 검색의 엔트로피를 감소시키는 검색-증강 생성 프레임워크를 제안한다.

제안 방법

• 고유의 논문 계층 구조를 물려받아 구조-충실 색인(structure-fidelity index)을 구축한다.
• 토큰 예산 하에서 관련 섹션 및 루트-투-리프 경로와 일치하는 경로-가이드 검색 메커니즘을 설계한다.
• 파괴적 사전처리 없이 구조적 맥락을 보존하여 저-엔트로피 검색을 가능하게 한다.
• 단절화를 정량화하고 증거 배치를 측정하기 위한 엔트로피 기반 구조 진단을 도입한다.

실험 결과

연구 질문

• RQ1 학술 논문의 고유한 계층 구조를 보존하는 것이 RAG 기반 QA에서 검색 단편화를 줄일 수 있는가?
• RQ2 구조-충실 검색이 고정된 토큰 예산 하에서 증거 배치와 정답 품질을 개선하는가?
• RQ3 엔트로피 기반 구조 진단이 학술 QA에서 검색 성능을 어떻게 반영하는가?
• RQ4 경로 가이드 검색이 관련 섹션에 대한 질의 정렬에 미치는 영향은 어떠한가?

주요 결과

• SF-RAG는 기초 방법 대비 검색 단편화를 크게 감소시킨다.
• SF-RAG는 검색 맥락의 구조적 일관성을 유지함으로써 증거 배치를 개선한다.
• 구조 인식 접근법은 토큰 제약 하에서 학술 QA 벤치마크에서 더 높은 정답 품질을 보인다.