연구진은 LLM의 높은 계산 비용 문제를 해결하기 위해 베이지안 능동 학습과 가우시안 프로세스를 결합한 BAGEL 프레임워크를 제안했어요.
BAGEL은 LLM 관련성 점수를 기반으로 임베딩 공간 전체의 다중 모드 관련성 분포를 모델링하고, 불확실한 영역을 탐색하며 관련 패사지를 선택해요.
실험 결과, BAGEL은 기존 LLM 재순위화 방법보다 성능이 뛰어나며, 다양한 벤치마크 데이터셋에서 효과적으로 복잡한 관련성 분포를 파악하는 것을 입증했어요.