장기 메모리 에이전트(agent)는 다른 주체에 속하거나 정책을 위반하거나 호환되지 않는 수명 주기 상태를 반영하여 현재 요청에 허용되지 않는 관련 정보를 검색할 수 있습니다. 재현율(recall)과 최종 답변 정확도는 이를 드러내지 못합니다. 필요한 증거를 누락함으로써 어떤 경로가 안전해 보일 수 있는 반면, 정답이 허용되지 않는 프롬프트(prompt) 노출을 수반할 수도 있습니다. 본 연구에서는 각 메모리-쿼리 쌍에 세 가지 상태(허용 가능, 허용 불가, 미해결) 중 하나를 할당하고, 미해결 사례에 대한 경계와 함께 일치된 필수 증거 재현율에서 경로를 비교하며, 프롬프트 노출을 통해 메모리 ID를 추적하는 동시에 해당 노출을 타깃 수준의 공개와 연결하는 검색 허용 가능성 검증 프레임워크를 도입합니다. 우리는 통합되지 않은 별도의 모집단에서 각 단계를 평가합니다. 두 가지 공개 장기 메모리 벤치마크인 RHELM 및 MemOps의 고정된 순위에 대한 3,767개 쿼리 대상 사후 상위 20개 재분석을 수행했습니다. 공개된 모든 앵커는 신뢰할 수 있는 쿼리 네임스페이스 내에 존재하며, 네임스페이스 내 점수가 변경되지 않으므로 네임스페이스 외부 필터링으로 인해 순위가 낮아질 수 없습니다. 상위 20개 앵커 재현율은 0.432에서 0.533으로 증가하고, 80% 재현율 실현 가능성은 0.237에서 0.311로 증가하며, 정확한 유사도 평가는 98.3% 감소합니다. 고정된 72개 사례 개발 진단에서 공개 메타데이터 참조는 필수 증거를 보존하는 반면, 텍스트 전용 검증기는 1% 필수 앵커 오거부 한계 내에서 위반을 감지하지 못합니다. 1,523개의 쌍을 이룬 벤치마크 고유 사례 전반에서 네임스페이스 라우팅은 세 명의 리더(reader)에 걸쳐 0.053-0.068의 평가된 정확도 향상과 관련이 있습니다. 재현율 또한 변경되므로 이 비교는 관찰적입니다. 16개의 통제된 노출 시나리오 중, 4개의 리더별 95% 신뢰 구간 중 단 하나만이 관련-비허용 문자 그대로의 공개에 대해 0을 배제합니다(+0.156, 95% CI [0.031, 0.312]). 이러한 결과는 후보 지원, 허용 가능성, 프롬프트 노출, 답변 공개에 대한 개별적인 검증의 필요성을 시사합니다.
BioBERT와 ClinicalBERT 같은 대규모 도메인 특화 언어 모델은 생의학 NLP 과제에서 강력한 성능을 보이지만, 요구되는 연산량 때문에 많은 실제 배포 환경에서는 사용하기 어렵습니다. DistilBERT와 같은 범용의 매개변수 효율적 모델은 가볍지만, PICO(Population, Intervention, Comparison, Outcome) 분류와 같은 전문 과제에 필요한 도메인 지식이 부족합니다. 본 논문에서는 원래의 전문 코퍼스로 다시 학습하지 않고도 대규모 전문 모델의 생의학 도메인 지식을 더 작은 범용 모델에 주입하는 지식 전이 패러다임인 Distilled Rapid Embedding Transfer(DRET)를 제안합니다. DRET은 반복적으로 발전한 전략군으로 개발되었습니다. 즉, 통합 토크나이저 병합 전략(DRET 1.x), 하이브리드 임베딩 평균화(DRET 2.0), 가장 신뢰할 수 있는 소스 모델로부터 임베딩을 계층적으로 선택하는 우선순위 기반 임베딩 전이 메커니즘(DRET 3.x)으로 구성되며, 여기에 임베딩 층 동결, 차등 학습률, 레이블 전파, 불균형을 고려한 손실 함수를 추가로 결합합니다(DRET 4.x). 우리는 심각한 클래스 불균형 환경에서 EBM-NLP 코퍼스를 사용한 토큰 수준 PICO 분류로 DRET을 12개 지표 세트에 걸쳐 평가합니다. DRET으로 강화된 DistilBERT(66M 매개변수)는 DistilBERT의 효율성을 유지하면서도, 자신보다 크기가 한 자릿수 더 큰 모델과 견줄 만한 균형 정확도(balanced accuracy), 재현율, ROC-AUC를 달성하며, 일부 클래스별 지표에서는 이를 능가합니다. 또한 코사인 유사도, 의미 변화(semantic shift), t-SNE 분석을 통해 전이가 임베딩 수준에서 일어남을 보입니다. DRET은 생의학 텍스트 마이닝에서 도메인 전문가에 근접한 성능을 얻는 확장 가능하고 자원 효율적인 방법을 제시하며, 자동화된 체계적 문헌 고찰과 임상 의사결정 지원에 직접 응용될 수 있습니다.
다중 에이전트 강화학습(MARL)은 에이전트가 창발적 통신(emergent communication)을 통해 협동 전략을 개발할 수 있게 하지만, 신경망 정책은 드론 군집 및 자율주행 차량 군집과 같은 안전 임계(safety-critical) 로봇 배치에 필요한 형식적 안전성 보장이 부족합니다. 우리는 정책 추상화(policy abstraction)를 통해 학습된 다중 에이전트 통신 정책의 안전성 검증을 위한 최초의 엔드 투 엔드 프레임워크를 제시합니다: 신경망 정책을 해석 가능한 결정 트리로 증류(distill)한 뒤 형식적으로 검증하며, 경험적 검증(empirical validation)을 통해 검증된 안전성 속성이 원래 네트워크로 전이됨을 확인합니다. 우리의 4단계 파이프라인은 에이전트 관찰로부터의 도메인 특화 특징 추출, 신경망 정책에 대해 97.9% +/- 1.2%의 충실도(fidelity)를 달성하는 결정 트리 증류, 완전한 특징-상태 변수 대응을 갖는 PRISM 확률적 모델 검사기(probabilistic model checker) 사양으로의 자동 번역, 그리고 유니온 바운드(union-bound) 집계 및 경험적 이웃 모델링을 통한 쌍별 분해(pairwise decomposition)를 이용한 확률적 계산 트리 논리(PCTL) 속성의 구성적 검증(compositional verification)으로 구성됩니다. 5-7개의 에이전트를 사용한 다중 드론 협동(multi-drone coordination)을 위한 벡터 양자화 변이 정보 병목(Vector-Quantized Variational Information Bottleneck, VQ-VIB) 정책을 평가하여, 우리는 안전성, 활성성(liveness), 협력에 걸쳐 18개의 시간 논리 속성을 검증했으며, 88.9%의 속성 만족도를 달성하고 5개의 안전성 임계값을 모두 충족했습니다(0.3% 충돌 확률 대 1% 임계값). 원래 신경망 정책에 대한 몬테카를로 검증(Monte Carlo validation)은 검증된 안전성 속성이 0.6 퍼센트 포인트 이하의 편차(95% 신뢰 구간)로 전이됨을 확인합니다. 이산 VQ-VIB 메시지는 연속적 방법 대비 +11.6에서 +13.6 퍼센트 포인트의 충실도 이점을 제공하여 3-4배 더 빠른 검증을 가능하게 합니다. 우리의 프레임워크는 증류된 정책 추상화에 대해 경험적으로 검증된 안전성 검증을 제공하며, 다중 로봇 배치를 위한 심층 MARL과 형식적 안전성 워크플로우 사이의 실용적인 가교 역할을 합니다.