자율 AI 에이전트는 잘못된 결정을 되돌리기 어려운 영역에 점점 더 배치되고 있다. 본 논문은 스키마 불일치(schema mismatch)를 검토한다. 이는 에이전트가 현재 맥락에 더 이상 적용되지 않는 해석 프레임 안에서 동작하는 상태를 말한다. 이러한 불일치 하에서 생성된 출력은 내적으로 일관되어 보이고, 언어적으로 그럴듯하며, 대체로 사실상 맞는 것처럼 보일 수 있다. 따라서 출력 품질 지표만으로는 근본적인 유효성 상실을 부분적으로만 포착할 수 있다. 본 논문은 인식론적 런타임 제어를 위한 개념적 프레임워크인 Epi-Logic을 제안한다. 이는 스키마 불협화음 탐지, 단계적 자율성 축소, 검증된 스키마로의 감사 가능한 전환을 결합한다. 스키마는 변수 공간, 기대 모델, 유효성 조건, 공리, 메타데이터의 튜플로 형식화된다. Epi-Score는 인식론적 불협화음의 일곱 가지 등급 차원을 집계한다. 시간적 유효성 차원 D8, 유효성 조건 G의 위반, 공리 위반은 집계와 상쇄되지 않는 별도의 범주형 경로로 유지된다. 이 아키텍처는 검사 비대칭에 기반한다. 형식화된 유효성 조건은 런타임에 검사할 수 있는 반면, 많은 행동의 정확성은 사후적으로만 확립된다. 본 논문은 두 가지 아키텍처적 속성, 순차적 변화점 탐지(sequential changepoint detection)로부터의 조건부 결과, 그리고 경험적 잔여(empirical remainder)를 구분한다. 명명된 베이스라인을 갖춘 여덟 개의 반증 가능한 명제가 경험적 검증으로의 전환을 기술한다. 모든 명제는 경험적으로 검증 가능한 가설이며, 확립된 결과가 아니다.
장기간 배포된 로봇은 지속적으로 스킬을 향상시키며, 각 업데이트는 배포된 시스템을 변화시킵니다. 우리는 이를 소프트웨어 라이프사이클 문제로 다룹니다. 고정된 결정 층(layer)이 버전 관리되는 스킬 모듈을 디스패치하고, 각 행동을 선별하도록 런타임 층이 구축되었습니다. 6개의 robosuite 태스크에서 우리는 세 가지 부정적 결과와 두 가지 측정치를 보고합니다. 첫째, 최고 태스크 성공률은 랜덤 시드(seed)에 걸쳐 불안정하며(단일 방법 내에서도 23.3%에서 73.3%에 이름), 따라서 단일 실행 피크값으로는 이러한 방법들의 순위를 매길 수 없습니다. 둘째, 시스템의 4개 모듈은 문서에서 설명하는 단계별 분해가 아니라 클록에 따라 순환되는 서로 다른 라벨을 가진 전체 태스크 정책입니다. 일치된 예산에서 이러한 정책 중 하나는 도달한 에피소드의 0.734(시드 평균)에서 최종 스텝의 기하학적 구조를 유지한 반면, 순환 방식은 0.023에 불과했으며 arm당 4개 시드에서 시드 간 중복이 없었습니다(정확 p=0.029). 개입 실험을 통해 그 이유를 규명했습니다. 클록으로 대체되었던 종료 조건을 복원하면 모든 시드에서 유지율이 상승합니다. 셋째, 우리의 실드(shield)는 전체 행동을 폐기함으로써 5개의 단일 arm 태스크에서 위반을 98~100% 줄였으나(여섯 번째 태스크에서는 34.9%), 성공률은 0으로 남았습니다. 수락 기준에서 완료 여부가 누락되어 로봇을 정지시킨 실드가 완벽한 점수를 받았기 때문입니다. 유효하게 남은 것은 릴리스 메커니즘입니다. 프로모션 게이트는 22.5%의 정상 후보 거절 비용을 치르며 주입된 12개의 회귀를 모두 차단했고(해당 보정치에서 거의 보장되는 비율), 딥(dip) 감지기는 12개 중 9개를 포착했으며 한 시드에서 3개를 모두 놓쳤습니다.