cs.cranberry-lemon.edu

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.11803v1cs.LG

PRAXIS: 기호 아카이브를 활용한 자기개선 모델의 학습 동역학

PRAXIS: Learning Dynamics of Self-Improving Models with Symbolic Archives

자기개선 학습 시스템(self-improving learning systems)은 데이터 선택, 최적화, 보조 기호 구성요소를 적응시키며, 표준 학습 가정을 벗어난 비정상(nonstationary) 목적함수를 유발한다. 우리는 생성자(generator), 학습자(learner), 기호 아카이브(symbolic archive)를 상호작용하는 동역학적 프로세스로 모델링하는 공진화(co-evolutionary) 프레임워크인 PRAXIS를 소개한다. 우리는 KL 제약을 받는 생성자 업데이트와 통제된 아카이브 가중치 이동이 1단계 목적함수 드리프트(drift)를 제한함을 증명하고, 아카이브 업데이트가 서브가우시안(sub-Gaussian) 잡음 하에서 지속적인 누적 유틸리티 우위를 갖는 임의의 고정 비교 대상(comparator)에 대해 프로그램을 억제함을 증명하며, 확률적 경사하강법이 누적 목적함수 드리프트에 의해 성능 저하가 좌우되는 평균 정상성(average-stationarity) 보장을 달성함을 증명한다. 시각적 강건성(visual robustness), 관계형 그래프 추론(relational graph reasoning), 알고리즘적 그래프 추론(algorithmic graph reasoning)에 대한 실험은 이러한 이론적 메커니즘과 일치하는 생성자 안정화, 감소하는 학습자 손실, 아카이브 집중(archive concentration) 현상을 보인다.

arXiv:2606.13141v2cs.AI

긴 비디오에서의 RAG 재고: 무엇을 검색하고 어떻게 활용할 것인가?

Rethinking RAG in Long Videos: What to Retrieve and How to Use It?

검색-증강 생성(RAG)은 텍스트를 넘어 질의와 관련된 청크가 여러 모달리티와 시간적 세분성에 걸쳐 표현될 수 있는 긴 비디오로 확장되고 있습니다. 이러한 설정인 VideoRAG의 발전은 두 가지 한계로 인해 제약을 받습니다. 즉, 기존 벤치마크에서는 비디오 없이도 질의에 답할 수 있어 검색 오류가 가려진다는 점과, 기존 방법들이 청크 수준의 가변성을 무시한 채 질의당 단일 모달리티-세분성 구성만을 적용한다는 점입니다. 본 논문에서는 두 문제를 모두 해결하기 위해 시간 단위 길이의 비디오에 대한 $\langle$질의, 근거 청크, 답변$\rangle$ 트리플릿으로 구성되어 각 답변이 고유한 근거 청크에 의존함으로써 검색과 생성의 분리된 평가를 가능하게 하는 벤치마크인 V-RAGBench와, 여러 구성에 걸쳐 병렬 검색기를 실행하고 청크 적응형 재순위화를 사용하여 각 청크에 대한 최적 구성을 선택한 후 이를 생성 단계로 전달하는 학습(training) 불필요 방식인 CARVE를 제안합니다. V-RAGBench에서 CARVE는 두 단계 모두에서 8개의 최신 VideoRAG 베이스라인보다 뛰어난 성능을 보였으며, 생성기에 제공하는 근거는 단일 구성을 공유하는 대신 여러 구성을 인터리빙합니다. 이러한 성능 향상은 1인칭 시점 및 3인칭 시점의 긴 비디오 전반에서 유지되며 확장된 구성 공간으로도 이어집니다.