서른 편의 논문에서
다음 시스템의 부품을 고른다

Towards Self-cognitive Exploration: Metacognitive Knowledge Graph Retrieval Augmented Generation — MetaKGRAG

KDD 2026 전체에서 ETRI 관점의 1순위로 꼽을 논문이다. 기존 KG-RAG는 검색 결과를 한 번 얻은 뒤 그대로 추론하는 open-loop 구조여서 relevance drift나 불완전한 증거에 취약하다. 이 문제에서 출발해 논문은 Perceive–Evaluate–Adjust 형태의 메타인지 폐루프를 도입한다. 검색 경로를 스스로 평가하고, 잘못된 trajectory가 발견되면 적절한 pivot으로 돌아가 검색을 수정하는 것이 핵심이다. 의료·법률·상식 등 여러 영역에서 평가되었다.²

ETRI 관점에서 중요한 것은 성능 숫자가 아니라 RAG의 제어 구조 자체를 바꾼다는 점이다. 현재의 retrieve → generate를 다음처럼 바꾸면 Graph-RAG와 agentic planning이 자연스럽게 통합된다.

특히 graph-grounded retrieval과 reflexive planner를 결합하는 연구에서 "reflection을 언제 발동할 것인가"와 "어디에서 재탐색할 것인가"에 직접적인 설계 힌트를 준다.

Faico: Faithful and Complete Knowledge Graph Augmented Reasoning

Faico는 KG를 사용하는 LLM에서 가장 어려운 두 목표인 faithfulness와 completeness를 동시에 다룬다. 핵심은 LLM이 임의로 그래프 경로를 만들어내도록 두지 않고, LLM inference와 실제 graph traversal을 분리하는 것이다. Token-Trie Guided Relation Generator로 KG schema에 존재하면서 질의와 관련된 관계만 생성하도록 제약하고, 실제 그래프 탐색을 통해 증거를 확보한다.³

MetaKGRAG와는 매우 보완적이다. 두 논문이 던지는 질문이 서로 다르다.

둘을 결합하면 metacognitive retrieval + schema-constrained reasoning 구조가 만들어진다. 단순 GraphRAG를 넘어 검증 가능한 Knowledge Agent로 가는 핵심 기반기술이 될 수 있다.

OOD-GraphLLM: Out-of-Distribution Drug Synergy Prediction with Graph LLMs

AI4Science/바이오 관점에서 가장 우선순위가 높은 논문이다. 약물 synergy prediction에서 새로운 molecular scaffold나 topology가 등장하는 OOD 상황을 대상으로 하며, 분자 그래프 표현과 biomedical language semantics를 함께 사용하는 Graph LLM을 구성하고 retrieval-augmented biomedical instruction tuning을 결합한다.⁴

이 논문의 연구적 핵심은 "LLM을 drug prediction에 썼다"가 아니다. 구조적 molecular representation과 문헌·생의학 의미표현이 서로 다른 종류의 일반화를 담당하도록 결합했다는 데 있다.

ETRI에서는 이를 확장해 다음을 하나의 scientific agent로 통합하는 방향이 유망하다.

평가 역시 IID 성능보다 unseen scaffold / unseen target / unseen interaction 같은 OOD generalization을 중심에 두어야 한다.

Condition-Gated Reasoning for Context-Dependent Biomedical QA

이 논문은 일반적인 biomedical QA의 중요한 맹점을 겨냥한다. 의학 지식은 "A가 B를 일으킨다"처럼 절대적으로 적용되지 않는다. 환자의 조건, 상황, 병력에 따라 적용 가능성(applicability)이 바뀐다. 그런데 기존 RAG/KGQA는 관련 지식을 찾는 데 집중할 뿐, 그 지식이 현재 조건에서 유효한지는 충분히 판단하지 못한다.

논문은 CondMedQA와 condition-aware KG reasoning을 제안하고, 질의 조건에 따라 일부 추론 경로를 활성화하거나 pruning하는 CGR 구조를 사용한다.⁵

이 원칙은 의학에만 국한되지 않는다. 법률, 규정, 보안정책, 산업 유지보수, temporal KG에도 그대로 적용된다. 따라서 condition-gated Graph-RAG 자체를 일반화된 연구 문제로 발전시킬 수 있다.

AssetOpsBench: Benchmarking AI Agents for Task Automation in Industrial Asset Operations and Maintenance

산업 Agent 분야에서 가장 눈여겨볼 논문이다. 단순 QA benchmark가 아니라 condition monitoring, maintenance planning, intervention scheduling 등 산업 자산의 운용·유지보수 생명주기를 agent가 처리하는 환경과 평가체계를 목표로 한다. perception, reasoning, control과 여러 specialist agent의 orchestration을 포괄한다.⁶

산업 현장에 agent를 도입할 때 중요한 것은 LLM benchmark accuracy가 아니다. 다음 전체 파이프라인의 성공률이다.

ETRI에서 industrial/telecom/network/digital-twin agent를 개발한다면, AssetOpsBench의 가장 큰 가치는 모델 자체보다 AgentOps 평가 methodology에 있다.

LC-ERD: Logic-Consensus Enhanced Reward Decomposition for Self-Evolving Reasoning

LC-ERD는 agent의 self-improvement에 필요한 process-level reward 문제를 다룬다. 최종 답이 맞았는지만 보상으로 주는 대신, latent logic consensus와 multi-agent value decomposition을 이용해 중간 reasoning step 각각의 유용성을 평가하려는 접근이다.⁷

Agent 시스템에 planner와 reflector가 있어도, reflector가 "이 추론 과정에서 정확히 어느 단계가 잘못됐는가"를 구분하지 못하면 반복 재계획 비용만 커진다. LC-ERD의 방향을 적용하면 trajectory의 step-level utility를 추정해 어떤 retrieval/tool/reasoning step을 유지하고 어느 부분부터 rollback할지 결정할 수 있다.

AURORA: Automated Training of Universal Process Reward Models

LC-ERD와 함께 읽어야 할 논문이다. AURORA는 process reward model 구축에 필요한 annotation 비용을 낮추기 위해 ensemble prompting과 reverse verification 등을 이용해 reasoning process의 자동 annotation과 검증을 수행한다. 다양한 policy와 긴 CoT를 평가하기 위한 UniversalBench도 제시한다.⁸

실제 agent 시스템에는 이런 질문이 있다. Planner를 더 크게 만드는 것과 Verifier를 더 정확하게 만드는 것 중 무엇이 효과적인가. 최근 구조에서는 후자의 중요성이 점차 커지고 있다. ETRI도 하나의 giant model에 의존하기보다 planner–executor–verifier/critic 구조를 연구한다면, AURORA의 PRM은 중요한 구성요소가 된다.

POLO: Preference-Guided Multi-Turn Reinforcement Learning for Lead Optimization

신약 lead optimization을 일회성 molecule generation이 아니라 multi-turn decision trajectory로 다룬다는 점이 중요하다. POLO는 trajectory-level optimization과 turn-level preference learning을 결합하는 PGPO를 제안하며, 여러 molecular property를 개선하는 lead optimization을 대상으로 한다.⁹

이는 multiobjective scientific agent와 직접 연결된다. 실제 drug optimization에서는 potency 하나를 극대화하는 것이 아니라 toxicity, solubility, permeability, synthetic accessibility를 동시에 고려해야 한다. 따라서 ETRI에서는 다음 폐루프로 확장할 가치가 크다.

특히 기존의 단발성 LLM molecule generation보다 tool-verified multi-turn optimization이 훨씬 설득력 있는 연구 방향이다.

TS-Memory: Plug-and-Play Memory for Time Series Foundation Models

TS foundation model의 zero-shot generalization 문제를 외부 memory 관점에서 해결한다. 흥미로운 점은 serving 때 매번 kNN retrieval을 수행하지 않는다는 것이다. kNN teacher가 주는 보정 정보를 lightweight adapter에 distillation해 frozen TSFM에 결합하고, 최종 inference는 retrieval-free로 수행한다.¹⁰

ETRI 관점에서는 RAG를 inference-time retrieval 문제로만 보지 않아도 된다는 시사점이 크다. 즉 다음 변환이 가능하다.

통신 트래픽, 센서, 제조설비, 에너지, 장애예측처럼 inference latency가 중요한 분야에서 매우 실용적이다.

Generalizing Graph Foundation Models via Hyperbolic Retrieval-Augmented Generation — HyRAG

일반적인 RAG가 Euclidean embedding 공간을 쓰는 반면, 계층적 graph/knowledge structure는 본질적으로 tree-like geometry를 갖는 경우가 많다. 이 지점에서 출발한 HyRAG는 hyperbolic knowledge indexing, multi-granularity retrieval, feature/structure dual-path fusion으로 Graph Foundation Model의 zero-shot generalization을 개선한다.¹¹

ETRI가 주목할 이유는 retrieval index 자체가 연구 대상이 된다는 점이다. 현재 Graph-RAG 연구의 상당수가 "어떤 문서를 찾느냐"에 집중하는 반면, HyRAG는 어떤 geometry에서 지식을 index해야 하는가를 문제로 만든다.

대규모 ontology, biomedical hierarchy, network topology처럼 hierarchy가 강한 데이터에서는 Euclidean vector DB와 hyperbolic graph index를 비교하는 것만으로도 상당히 흥미로운 후속 연구가 가능하다.