PyTorchKR Papers

업데이트된 논문

총 41편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2610.02363v2cs.LG

ArrivalBench: 에이전트가 생성한 데이터 파이프라인은 단 한 번만 올바르고 시간에 따라 틀린다

ArrivalBench: Agent-Generated Data Pipelines Are Correct Once and Wrong Under Time

에이전트가 생성한 데이터 작업을 평가하는 기존 벤치마크는 고정된 스냅샷에 대해 파이프라인을 한 번 실행하여 채점합니다. 이와 달리 ArrivalBench는 적대적이지만 재현 가능한 전달 스케줄(지연, 중복, 순서 뒤바뀜, 재시도된 레코드) 하에서 에이전트가 남긴 파이프라인을 재실행하며, 최종 상태가 전체 로그에 대한 배치 재계산 결과와 동일할 것을 요구합니다. 오라클이 분류하는 대신 재계산하기 때문에, 잘못된 테이블과 비정상 종료(crash)는 명확히 구분된 판정으로 취급됩니다. 즉, 비정상 종료는 팀이 이미 운영 중인 모니터링을 통해 감지할 수 있지만 잘못된 테이블은 감지되지 않습니다. 저자들이 구축한 40개 작업에서 단일 실행 채점을 재구현한 결과 11개 모델이 생성한 파이프라인의 86~100%가 통과 판정을 받았으나, 동일한 산출물을 재실행하자 통과된 것 중 7.0~79.2%가 조용히 틀린 결과를 내는 것으로 나타났습니다. 이러한 격차는 복구 루프 때문에 발생하는 것이 아닙니다. 동일한 모델과 작업 내에서 스냅샷 테스트를 거쳐 수정된 파이프라인은 처음에 통과한 파이프라인과 거의 비슷한 빈도로 재실행에 실패합니다. 모든 모델에서 멱등성 위험(idempotency hazard)이 순서 관련 위험보다 더 자주 실패를 유발했습니다. 오답과 비정상 종료를 분리하는 것은 개입(intervention)의 해석 방식도 바꿉니다. 한 모델의 경우 위험 경고를 통해 무음 실패(silent failure)를 48.2%에서 10.5%로 줄였지만 비정상 종료율은 9.0%에서 37.0%로 증가하여 전체 실패율은 51.0%에서 44.0%로 소폭 이동하는 데 그쳤습니다. 11개 실험군 모두 독립적으로 재실행되었으며, 실패율 변동은 최대 5.9%포인트에 불과했습니다.

arXiv:2608.25903v2cs.DB

MetaSieve: SQL 기반 메타패스 선택을 통한 관계형 심층 학습 가속

MetaSieve: Faster Relational Deep Learning through SQL-Based Metapath Selection

관계형 심층 학습(RDL)은 다중 테이블 관계형 데이터베이스에 대한 머신러닝 접근법으로 효과적이다. RDL에서는 데이터베이스를 각 행이 노드이고 각 외래키 관계가 간선인 그래프로 모델링하며, 이 그래프 위에서 그래프 신경망(GNN)을 학습한다. GNN 학습은 학습 집합의 모든 시드 노드 주변에서 부그래프를 샘플링해야 하며, 학습 비용은 이 부그래프의 크기에 크게 좌우된다. 본 논문은 관계형 데이터베이스 시스템의 조인(join) 및 집계(aggregation) 기능을 활용하여 부그래프 크기를 줄이는 것을 목표로 한다. 샘플링된 부그래프는 외래키 링크로 구성된 메타패스를 따라 얻어지며, 이러한 메타패스 중 많은 경우 정확도 손실 없이 가지치기할 수 있음을 관찰한다. 우리는 어떤 메타패스를 유지하고 어떤 것을 가지치기할지 결정하는 메타패스 선택 층인 MetaSieve를 제안한다. 각 후보 메타패스 확장에 대해 MetaSieve는 SQL 조인 및 집계 쿼리로 통계를 계산하고, 가볍지만 정보가 풍부한 후보를 선호하는 새로운 점수 함수에 따라 확장을 평가한다. 점수가 임계값 미만인 메타패스는 정보가 없는 것으로 간주되어 가지치기된다. MetaSieve의 메타패스 선택은 데이터베이스 통계와 태스크 레이블에만 의존하므로 경량이며, GNN 파라미터와 독립적이어서 분류 및 회귀를 위한 다양한 GNN 아키텍처와 통합된다. 여러 GNN 백본을 사용한 RelBench 벤치마크에서의 평가는 MetaSieve가 정확도를 유지하고 종종 개선하면서 에포크당 학습 시간을 크게 줄인다는 것을 보여 준다.

arXiv:2603.05542v3cs.DB

AI 시대의 인간-데이터 상호작용, 탐색, 시각화 시스템: 도전과 기회

Human-Data Interaction, Exploration, and Visualization Systems in the AI Era: Challenges and Opportunities

AI의 급속한 발전은 인간 중심 시스템을 변화시키고 있으며, 인간-AI 상호작용, 인간-데이터 상호작용, 시각적 분석에 중대한 영향을 미친다. AI 시대에 데이터 분석은 대규모이고 이질적이며 대부분 비정형인 멀티모달 데이터와, 분석 과정에 추가적인 불확실성을 도입하는 LLM 및 VLM과 같은 파운데이션 모델을 점점 더 많이 다루게 된다. 이러한 변화는 지각적으로 어긋난 지연, 확장성 제약, 기존 상호작용 및 탐색 패러다임의 한계, AI가 생성한 통찰의 신뢰성과 해석 가능성에 대한 커져 가는 불확실성을 포함하여, 인간-데이터 상호작용 시스템이 안고 있는 지속적인 난제들을 드러낸다. 이러한 난제에 대응하려면 기존의 효율성 및 확장성 지표를 넘어서고, 분석 워크플로에서 인간과 기계의 역할을 재정의하며, 인간-데이터 상호작용 스택의 모든 수준에 인지적, 지각적, 설계 원칙을 반영해야 한다. 본 논문은 최근 AI의 발전이 가져온 난제를 조사하고 이러한 발전이 사용자가 데이터와 상호작용하는 방식을 어떻게 바꾸고 있는지 검토하며, AI 시대의 상호작용형 데이터 분석을 위한 인간 중심 AI 시스템 구축의 한계와 미해결 연구 방향을 제시한다.

arXiv:2611.17466v2cs.DB

주거 보조 생활을 위한 NeOn 방법론 기반 유스케이스 중심 온톨로지 모델링

Use-case-driven ontology modeling with the NeOn methodology for ambient assisted living

스마트 홈과 주거 보조 생활(ambient assisted living, AAL)에 관한 연구는 인구 고령화에 힘입어 지난 10년간 꾸준히 증가해 왔다. 스마트 홈은 거주자에게 맞춤형 서비스를 제공하기 위해 이질적인 스마트 객체들을 조율해야 하며, 이를 위해서는 거주자와 기기 모두에 대한 공유된 형식적 기술이 필요하다. 우리는 이탈리아 Design For All 프로젝트에서 Virtual Home Framework의 의미 데이터 계층으로 개발된 온톨로지를 제시한다. 요구사항은 두 가지 유스케이스에서 도출되었는데, 하나는 집에서 사이클 에르고미터로 운동하는 허약한 고령 여성이고, 다른 하나는 서로 다른 장애를 가진 사용자를 위해 주방을 구성하는 디자이너이다. 요구사항은 온톨로지 요구사항 명세 문서(Ontology Requirements Specification Document)에 수집되었으며, 온톨로지는 가능한 경우 기존 온톨로지를 재사용하고 재설계하면서 NeOn 방법론으로 구축되었다. 그 결과 만들어진 모듈형 온톨로지는 국제 기능·장애·건강 분류(ICF)와 심폐 체력을 통해 사용자를 기술하며, 스마트 객체, 그 프로그램, 이들이 생성하는 측정값, 그리고 가정의 쾌적성 차원도 기술한다. SWRL 규칙은 체력 수준을 분류하고, 운동 부하를 제안하며, 실내 쾌적성을 평가하고, 특정 장애에 적합한 스마트 객체를 식별한다.

arXiv:2610.22771v2cs.LG

저비트 LLM에서 스케일 보정의 교차 정밀도 전이, 비국소 문맥, 용량-판독 경계

Cross-Precision Transfer, Non-Local Context, and Capacity-Readout Boundaries of Scale Calibration in Low-Bit LLMs

저비트 사후 학습 양자화는 정수 코드와 영점을 고정하여 그룹별 스케일만을 간결한 적응 인터페이스로 남긴다. 본 연구는 Qwen3-1.7B와 Llama-3.2-3B에서 교차 정밀도 전이, 비국소 문맥, 최적화기 용량, 판독 행동을 연구한다. 첫째, 수혜 모델에 대한 학습 없이 부동소수점 Qwen 모델과 INT3 Qwen 모델 사이에서 상대적 스케일 이득을 전이하면, 새로운 WikiText와 C4에서 자기 보정 NLL 감소량의 76.9%-90.5%를 유지하며, 확인 가능한 자기 출처 선호도도 함께 나타난다. 그룹 순열은 전이를 파괴하고, 노름을 맞춘 레이어 제거는 16개 레이어-도메인 비교 모두를 악화시킨다. 보정된 모든 프로젝션에서 초기 텐서가 동일한 Llama 대조군은 주변 네트워크 문맥이 유도하는 선호도를 분리해 낸다. 둘째, Llama 보정을 4개에서 196개 프로젝션(스케일 0.79M개에서 22.02M개)으로 확장하면 50 스텝 학습 손실 파일럿에서 학습률 0.01이 우세해진다. 200 스텝까지 계속하면 28개 블록의 WikiText 풀을 암기하여, 4개 지점 보정 대비 미관측 퍼플렉서티가 2.06-2.28배 증가하고 혼합 행동 PIQA 정확도가 저하되며, 학습률 0.001은 암기를 방지하고 정확도를 회복시킨다. 셋째, 24개 Qwen ARC 판독 엔드포인트 전반에서 200 스텝에서 600 스텝으로 진행하면 일반 텍스트 판독에서는 INT3 교사 KL이 악화되지만 채팅 래핑 하에서는 개선된다. 교차 적합된 4-파라미터 정적 선택지 편향은 양자화된 Chat-Space 점수 이동 SSE의 71.4%-75.4%를 설명하는 반면 부동소수점에서는 2.3% 미만이다. 이 편향을 제거하면 INT3 채팅 교사 일치도가 33.3%-33.9%에서 56.6%-57.5%로 상승하고 KL은 4.15-4.42에서 1.18-1.24 nat으로 감소한다.

arXiv:2609.15397v2cs.AI

도구 호출은 성공했지만 워크플로가 실패할 때: 에이전트-도구 경계의 이상 현상

When Tool Calls Succeed but Workflows Fail: Anomalies at the Agent-Tool Boundary

AI 에이전트는 독립적으로 제공되는 도구를 통해 외부에 영향을 반영하는 장시간 워크플로를 점점 더 많이 실행한다. 재시도, 투기적 실행, 동시성, 부분 실패 상황에서는 결과적인 외부 상태가 워크플로가 의도한 결말과 일치하지 않을 수 있다. 필요한 효과가 누락되거나 중복될 수 있고, 중단된 효과가 남아 있을 수 있으며, 확정된 효과가 이후 철회되는 임시 상태에 의존할 수 있다. 고급 트랜잭션 모델은 관련된 실패를 다루지만, 하위 수준 연산이 효과의 발생 여부, 보상·스테이징·안전한 순서 변경의 가능 여부와 같이 모델이 의존하는 의미론을 노출한다고 가정한다. 공유되는 에이전트-도구 인터페이스는 대개 그렇지 않다. 우리는 외부 세계의 사건과 런타임이 이를 관측한 것을 구분하는 효과 이력 모델과, 반복적으로 나타나는 여덟 가지 외부 효과 이상 현상의 목록을 제시한다. 이 목록으로부터 각 이상 현상을 일반적으로 배제하는 데 필요한 경계 기능과, 블랙박스 도구 호출만으로는 일반적 보장을 제공할 수 없는 네 가지 지점을 도출한다. 이어 널리 사용되는 공유 도구 인터페이스에서 이 중 얼마나 많은 부분을 표현할 수 있는지 묻고, 공식 Model Context Protocol(MCP) 레지스트리에서 접근 가능한 원격 서버가 노출하는 98,291개 도구에 걸쳐 표준 주석 어휘의 사용을 측정한다. 해당 필드는 널리 제공되지만 호출 수준의 대략적인 힌트만 제공하며, 필요한 기능 중 어느 것도 완전히 표현할 수 없다. 이러한 결과는 도구 경계에서 재사용 가능한 트랜잭션 계약이 필요함을 뒷받침한다.

arXiv:2511.15090v3cs.DB

SciEGQA: 과학적 증거 기반 질의응답 및 추론을 위한 데이터셋

SciEGQA: A Dataset for Scientific Evidence-Grounded Question Answering and Reasoning

과학 문서는 복잡한 멀티모달 구조를 포함하고 있어, 문서 시각 질의응답에서 증거 위치 파악과 과학적 추론이 특히 어렵다. 그러나 기존 벤치마크 대부분은 답을 뒷받침하는 증거 영역을 명시적으로 주석하지 않고 페이지 수준에서만 모델을 평가하여, 해석 가능성과 평가의 신뢰성이 모두 제한된다. 이러한 한계를 해결하기 위해, 뒷받침하는 증거를 경계 상자로 주석된 의미적으로 일관된 문서 영역으로 표현하는, 의미적 증거 기반의 과학 문서 질의응답 및 추론 데이터셋 SciEGQA를 소개한다. SciEGQA는 두 구성요소로 이루어져 있다. 하나는 1,623개의 고품질 질문-답변 쌍을 포함하는 **사람이 주석한 세밀한 벤치마크**이고, 다른 하나는 자동화된 데이터 구축 파이프라인으로 생성한 3만 개 이상의 QA 쌍을 가진 **대규모 자동 구축 학습 세트**이다. 다양한 시각-언어 모델(VLM)에 대한 폭넓은 실험 결과, 기존 모델은 과학 문서에서의 증거 위치 파악과 증거 기반 질의응답에 여전히 어려움을 겪는 것으로 나타났다. 제안한 데이터셋으로 학습하면 VLM의 과학적 추론 능력이 크게 향상된다. 프로젝트 페이지는 https://yuwenhan07.github.io/SciEGQA-project/ 에서 확인할 수 있다.

arXiv:2510.23587v3cs.DB

데이터 에이전트 서베이: 부상하는 패러다임인가, 과장된 유행인가?

A Survey of Data Agents: Emerging Paradigm or Overstated Hype?

대규모 언어 모델(LLM)의 빠른 발전은 복잡한 데이터 관련 과제를 해결하기 위해 Data + AI 생태계를 조율하도록 설계된 자율 시스템인 데이터 에이전트의 등장을 촉진해 왔다. 그러나 '데이터 에이전트'라는 용어는 현재 용어의 모호성과 일관되지 않은 사용으로 인해, 단순한 질의 응답기와 정교한 자율 아키텍처를 혼동하고 있다. 이러한 용어의 모호성은 사용자 기대의 불일치, 책임 소재 문제, 산업 성장의 장벽을 낳는다. 본 서베이는 주행 자동화에 대한 SAE J3016 표준에서 영감을 받아, 수동 작업(L0)에서 생성형 완전 자율 데이터 에이전트(L5)에 대한 비전에 이르기까지 자율성의 점진적 변화를 구분하고 추적하는 여섯 단계로 구성된 데이터 에이전트의 최초 체계적 계층 분류 체계를 소개하며, 이를 통해 역량의 경계와 책임 배분을 명확히 한다. 이러한 관점에서 우리는 자율성이 높아지는 순서로 배열한 기존 연구를 구조적으로 검토하며, 데이터 관리, 준비, 분석을 위한 특화 데이터 에이전트와 향상된 자율성을 갖춘 범용 종합 시스템을 향한 새로운 노력을 포괄한다. 나아가 데이터 에이전트를 발전시키기 위한 핵심적인 진화적 도약과 기술적 공백을 분석하며, 특히 데이터 에이전트가 절차적 실행에서 자율적 조율로 진화하는 현재의 L2에서 L3로의 전환에 주목한다. 마지막으로 능동적이고 생성적인 데이터 에이전트를 구상하는 미래 지향적 로드맵으로 결론을 맺는다. 엄선된 보조 저장소는 https://github.com/HKUSTDial/awesome-data-agents 에서 이용할 수 있다.

arXiv:2606.07923v2cs.DB

Larch: 의미 술어를 위한 학습 기반 질의 최적화

Larch: Learned Query Optimization for Semantic Predicates

거대 언어 모델(LLM)의 등장으로 많은 데이터베이스 시스템이 비정형 데이터(예: 텍스트, 이미지, 비디오)에 대한 분석 질의를 가능하게 하는 의미 연산자를 도입하였다. 의미 연산자는 일반적으로 추론 비용과 지연 시간이 높아 의미 기반(AI) SQL 질의를 대규모 데이터셋에 적용하기 어렵다. 동시에 의미 연산자의 의미적 성격 때문에 데이터베이스 엔진은 이를 블랙박스로 취급하므로 AISQL 질의를 최적화하기 어렵다. 본 논문에서는 AI SQL 질의에서 의미 필터의 실행을 최적화하는 프레임워크 Larch를 소개한다. Larch는 두 가지 핵심 관찰에서 착안하였다. i) 의미 연산자의 높은 지연 시간은 계산량이 큰 런타임 최적화 기법을 적용할 여지를 크게 남긴다. ii) 비정형 데이터에는 보통 임베딩 형태의 의미 정보가 수반되어 AI_FILTER 프롬프트와 데이터 값 간의 효율적인 의미 비교가 가능하다. 이 두 관찰에 기반하여 두 가지 Larch 변형인 Larch-A2C와 Larch-Sel을 제시한다. Larch-A2C는 임베딩으로 증강한 게이트 그래프 신경망으로 임의의 의미 필터 표현식 트리를 인코딩하고, 필터 평가 순서를 마르코프 결정 과정으로 정식화한다. 반면 Larch-Sel은 지도 학습 모델로 필터 선택도를 예측한 뒤 동적 계획법을 적용하여 각 입력 행에 대한 준최적 평가 순서를 찾는다. 다양한 실제 데이터셋과 포괄적인 합성 워크로드에서 평가한 결과, 두 Larch 변형 모두 모든 데이터셋과 워크로드에서 토큰 사용량 측면에서 기존 의미 필터 최적화 기법을 항상 능가한다. 이러한 결과는 Larch가 텍스트와 이미지 모달리티에 걸친 다양한 워크로드에서 견고하며, Palimpzest 및 Quest 대비 총 토큰 비용이 6%~30% 낮고 토큰 비용 오버헤드가 3배~19배 낮음을 보여 준다.

arXiv:2605.25693v2cs.CL

사실에서 통찰로: 역할극 에이전트를 위한 페르소나 기반 이중 메모리 프레임워크와 데이터셋

From Facts to Insights: A Persona-Driven Dual Memory Framework and Dataset for Role-Playing Agents

역할극 에이전트는 단기 상호작용에서는 뛰어나지만 장기 대화는 컨텍스트 윈도우를 압도하므로 외부 메모리 프레임워크가 필요하다. 현재 시스템은 보통 페르소나와 무관한 요약에 의존하여 페르소나별 해석 없이 사실만 기록하며, 이는 일반적인 응답을 낳아 페르소나 충실도를 해친다. 이러한 간극을 메우기 위해 사실 조각을 페르소나를 통해 해석해야 정답에 도달하는 네 가지 추론 과제로 구성된 데이터셋 RoleMemo를 소개한다. RoleMemo에 대한 평가는 페르소나 비의존적 프레임워크의 중대한 한계를 드러낸다. 이에 메모리를 사실 인지와 페르소나 조건부 통찰의 두 흐름으로 분리하는 DualMem을 제안한다. 지도 미세조정(SFT)과 강화학습(RL)으로 학습한 4B 파라미터 모델 기반의 본 프레임워크는 지속적인 페르소나 충실도에서 DeepSeek-V3.2 기반 제로샷 페르소나 비의존적 프레임워크를 능가한다. 관련 자료는 https://github.com/Collab-Gen/RoleMemo 에서 확인할 수 있다.

arXiv:2611.12169v2cs.DB

레이크하우스의 실시간 분석을 위한 트랜잭션 데이터 변경

Transactional Data Change for Real-Time Analytics in Lakehouses

실시간 데이터 분석은 레이크하우스의 핵심 요구 사항이 되었다. 이를 위해서는 ACID 보장을 유지하고 자원 소비와 분석 쿼리 성능에 미치는 영향을 최소화하면서, 데이터 소스의 변경 사항을 레이크하우스로 실시간 전파해야 한다. RUM 추측에 따르면 이는 데이터 시스템에 매우 어려운 과제이며, 특히 레이크하우스의 읽기 최적화된 불변 파일 저장 계층을 고려하면 더욱 그러하다. 기존 레이크하우스는 단일 테이블에 대한 git 방식의 카탈로그 버전 관리만 제공하며, 간신히 수용할 만한 데이터 변경 처리량을 얻기 위해 데이터 신선도, 쿼리 성능, 또는 자원 효율을 희생한다. 본 논문에서는 레이크하우스에서 실시간, 비용 효율적, 쿼리 성능 우수, 완전한 트랜잭션 데이터 변경을 가능하게 하는 새로운 데이터 동기화 프레임워크 Retina를 제안한다. 우리는 Retina를 구현하고 오픈소스로 공개한다. 평가 결과 Retina는 10밀리초 수준의 데이터 신선도와 320만 row/s 이상의 선형 확장 가능한 데이터 변경 처리량을 낮은 자원 소비와 낮은 쿼리 성능 오버헤드로 제공하여, 최신 레이크하우스 시스템과 레이크 호환 HTAP 데이터베이스를 크게 능가한다.

arXiv:2610.11482v2cs.SE

데이터 엔지니어링을 위한 로컬 언어 모델 에이전트 평가: 모빌리티 워크플로에 대한 실증적 소프트웨어 공학 연구

Evaluating Local Language Model Agents for Data Engineering: An Empirical Software Engineering Study of Mobility Workflows

배경: 대규모 언어 모델(LLM) 에이전트는 소프트웨어 및 데이터 엔지니어링 보조 도구로 점점 더 많이 사용되고 있으나, 로컬에 배포 가능한 오픈 웨이트 에이전트에 대한 근거는 여전히 제한적이다. 기존 평가는 완전한 엔지니어링 산출물보다 텍스트 응답이나 단편적인 코드를 중시하는 경우가 많다. 목적: 본 연구는 로컬 LLM 에이전트가 올바르고 신뢰할 수 있는 데이터 엔지니어링 산출물을 생성할 수 있는지 평가하고, 폐루프 작업 공간과 입력 구조 지식 각각의 기여를 분리하며, 실행 시간, 비용, 실패 양상 측면의 상충 관계를 검토한다. 방법: 본 연구는 스크립트, 표, 구조화된 파일, 그림, 보고서 등 산출물에 대한 결정론적 검사기를 갖춘 15개의 모빌리티 데이터 엔지니어링 과제로 구성된 벤치마크를 제안한다. 여섯 개 모델 계열의 16개 구성을 세 가지 조건(채팅 전용, 채팅-스키마, 도구를 갖춘 에이전트)에서 평가하며, 모델, 조건, 과제마다 5회 반복하여 소비자용 GPU에서 총 3,600건의 채점된 시도를 얻었다. 결과: 4비트 40억 파라미터 모델은 77.3%, 약 6.5 GB 이내의 90억 파라미터 모델은 80.0%, 다른 계열의 120억 파라미터 모델은 81.3%에 도달하였으며, 최고 점수 구성은 98.7%로 15개 과제 중 14개를 5회 반복 모두에서 해결하였다. 20억 파라미터를 초과하는 모델에서 작업 공간 루프는 정보 없이 한 번에 생성하는 방식보다 통과율을 24.0~65.3 퍼센트포인트 높였으며, 15개 과제 중 11개에서 그 기여가 입력 구조 요약의 기여를 넘어섰다. 결론: 소비자용 GPU 한 대에 적재되는 오픈 웨이트 모델도 작업 공간 루프가 주어지면 데이터 엔지니어링 업무의 상당 부분을 지원할 수 있으나, 사용 가능한 구성과 불가능한 구성은 여전히 모델 성능에 의해 나뉘며 중요도가 높은 출력은 검증이 필요하다. 본 벤치마크는 모빌리티에 특화되어 있고 검사기 기반이므로, 평가된 구성의 특성을 보여줄 뿐 데이터 엔지니어링 실무 전반을 대표하지는 않는다.

arXiv:2609.09854v2cs.DB

저비트 양자화는 언제 벡터 검색의 결정을 보존하는가

When Does Low-Bit Quantization Preserve the Decisions of Vector Search?

직교 회전은 2비트 Cohere 코드의 거리 순위 상관을 0.75에서 0.91로 향상시키지만, 최근접 이웃 비교의 뒤집힘은 51% 증가시킨다. 본 논문은 그래프 탐색이 수행하는 비교를 통해 양자화를 분석한다. 비교는 양자화 오차가 정확한 마진을 초과할 때에만 바뀌며, 이로부터 아슬아슬한 경우와 큰 오차를 구분하는 뒤집힘 상계를 얻는다. 공유되는 끝점은 상관된 거리 오차를 유발하며, 이 오차는 한 비교 안에서 부분적으로 상쇄된다. 정확한 재생 항등식은 후보 수준의 동작을 이웃 선택의 출력과 연결한다. 가우시안 모델은 좌표 코드 오차를 닫힌 형태로 제시하고, 희귀 스파이크 구성은 모집단 반경 오차의 두꺼운 꼬리를 드러낸다. 홀드아웃 블록은 정확한 마진 또는 양자화된 마진에 기반한 수용 규칙에 대해 모델 비의존 인증서를 제공한다. 24개의 데이터셋-코드 구성에서, 보정으로 추정한 위험도는 홀드아웃 순위 및 가지치기 뒤집힘과 각각 0.97과 0.99의 상관을 보이는데, 마진 대 잡음 요약 지표는 0.91과 0.99, 거리 순위 상관은 0.74와 0.05이다. 20만 벡터 그래프의 쌍을 이룬 구축 실험은 회전, 질의 점수 계산, 위상을 종단 간 재현율 및 탐색 작업량과 연결한다.

arXiv:2607.05420v2cs.DL

AI가 분류할 때: 공공행정이란 무엇인가?

When AI Classifies: What Counts as Public Administration?

본 연구는 학술 표현의 대안적 체계들이 행정학(PA)과 인공지능 관련 행정학(AI-in-PA) 학술 연구를 어떻게 식별하고 특징짓는지를 고찰한다. 핵심 질문은 어떤 체계가 행정학에 대한 확정적 분류를 제공하는가가 아니라, 학술 분류의 대안적 체계들이 행정학의 지적 경계를 식별하고 표현하는 방식에서 어떻게 다른가이다. 본 연구는 Web of Science와 OpenAlex에 대한 탐색적·비교 분석을 통해 저자 정의 방식, 인용 기반 방식, AI 지원 방식의 표현에 기초한 다섯 가지 접근법을 비교한다. 분석 결과는 말뭉치 규모, 출판 유형, DOI 이용 가능성, 출판 매체, 시간적 양상, 주제 구조에서 상당한 차이와 제한적인 중복이 있음을 보여 준다. 대안적 접근법들은 동일한 문헌의 더 크거나 더 작은 부분집합을 식별하는 데 그치지 않고 실질적으로 서로 다른 학술 집합을 식별하기 때문에 서로 구별되는 표현을 만들어 내는 경향이 있다. 연구 결과는 알고리즘에 의한 지식 조직화가 학제 간 학술 연구가 분류되고 연결되고 이해되는 방식에, 그리고 인식론적으로는 그 가시성, 구조, 지적 정체성이 표현되는 방식에 영향을 미침을 시사한다. AI 기반 학술 분류는 중립적이지 않고 해석적이며 잠재적으로 자기강화적이어서 학문 분야 경계의 진화와 적응을 제약할 수 있다. 따라서 인간 전문가의 판단은 여전히 필수적이며, AI 지원 학술 분류에 의해 대체되기보다는 보완된다.

arXiv:2607.03501v2cs.DB

STRATOS: 기상 데이터를 위한 시공간 Text-to-SQL에서 기호-수치 간극 메우기

STRATOS: Bridging the Symbolic-to-Numeric Gap in Spatio-Temporal Text-to-SQL for Meteorological Data

유럽연합의 지구 관측 프로그램인 Copernicus는 페타바이트 규모의 지구 관측 및 기후 데이터를 생산하며, 연구, 정책, 응용에 막대한 잠재력을 제공한다. 그러나 이러한 데이터셋에 접근하려면 고급 프로그래밍 기술과 NetCDF나 GRIB 같은 도메인 특화 형식에 대한 이해가 필요하다. 더욱이 범용 Text-to-SQL 시스템은 심각한 "기호-수치(Symbolic-to-Numeric)" 간극 때문에 기상 분야에 단순하게 적용하면 실패한다. 이러한 한계를 극복하기 위해 본 논문은 실제 환경의 확장 가능한 기상 데이터 탐색을 위해 특별히 설계된 종단 간 Text-to-SQL 프레임워크를 제시한다. 우리 시스템은 SQL 생성 \textit{이전에} 자연어를 가로채 공간적·의미적 모호성을 해소한다. 우리는 모호한 개념을 국소화된 온톨로지에 매핑하고 외부 지식 베이스를 통해 공간 개체를 해석함으로써 기호-수치 간극을 동적으로 메우는 Text-to-SQL용 시공간 해석 에이전트 STRATOS(Spatio-Temporal Resolution Agent for Text-to-SQL)를 설계한다. 또한 복잡도 인식 질의 재작성기는 비용이 큰 공간 술어를 재작성하여 실행 시간을 수 시간에서 수 초로 줄인다. 마지막으로, 기존 Text-to-SQL 시스템이 탐구하지 못한 도전적인 시공간 차원에서 확장성과 기호-수치 변환을 시험하도록 도메인 전문가가 명시적으로 설계한 7,520개의 복잡한 질의 쌍으로 구성된 STRATOS Evaluation Workload를 소개한다.

arXiv:2607.02338v3cs.DB

그래프 스패너를 이용한 재현율 보장 그래프 기반 최근접 이웃 탐색

Graph-Based Nearest-Neighbor Search with Recall Guarantees Using Graph Spanners

Hierarchical Navigable Small World(HNSW) 그래프와 같은 그래프 기반 색인은 최근접 이웃 검색을 효율적으로 만들지만, 높은 평균 재현율이 응용의 품질 요구 수준에 미달하는 결과를 내는 질의를 가릴 수 있다. 우리는 보정된 규칙이 초기 그래프 탐색 결과를 수용하면 이를 반환하고, 그렇지 않으면 누락된 이웃을 탐색하는 Certify-then-Rectify(CTR)를 제안한다. 복구 탐색은 기존 그래프와 초기 탐색에서 이미 계산된 거리를 재사용한다. 이 탐색을 어디까지 진행해야 하는지 정하기 위해 그래프 스트레치를 통해 거리 척도 상의 거리와 그래프 경로 길이를 연관시킨다. 우리는 불필요한 작업을 가지치기하는 Metric Bound Verification(MBV)과 함께 Stretch-Bounded Expansion from Query(SBE-Q)를 개발하고, 요구된 재현율에 필요한 참 이웃의 비율까지의 경로로부터 그 예산을 추정한다. 유한 표본 허용 한계가 이 재현율 정렬 추정을 뒷받침하며, 제안 복구 중에 기록된 경로는 별도의 최단 경로 계산에 대한 보수적인 대안이 된다. 독립적인 검정이 초기 수용과 복구 결과를 인증하여, 추정된 스트레치가 모든 관련 경로를 포괄하지 않더라도 종단 간 모집단 재현율 보장을 제공한다. 복구를 인증할 수 없으면 거부된 질의는 전수 탐색을 사용한다. HNSW에 대한 실험에서는 다섯 가지 스트레치 추정기를 비교하고, 복구 효율을 평가하며, 최대 1억 개 벡터의 데이터베이스에서 준수 여부와 처리량을 평가한다. CTR은 HNSW에 국한되지 않으며, 다른 그래프 색인에서도 평가한다.

arXiv:2606.09323v2cs.AI

TRL-Bench: 표형 인코더의 패러다임 간 표현 수준 평가 표준화

TRL-Bench: Standardizing Cross-Paradigm Representation-Level Evaluation of Tabular Encoders

표형(tabular) 인코더는 일반적으로 과제별 종단간 파이프라인 내에서 평가되므로, 유사한 표형 신호를 다루더라도 서로 다른 학습 패러다임의 모델을 직접 비교하기 어렵다. 본 논문은 패러다임 간 표현 수준 평가를 표준화하는 다중 입도 표형 표현 학습(TRL) 벤치마크인 TRL-Bench를 제안한다. 각 인코더는 지원되는 래퍼를 통해 행, 열 또는 테이블 임베딩을 내보내며, 공유된 경량 헤드가 세 가지 스위트, 즉 TRL-CTbench(열/테이블), TRL-Rbench(행), TRL-DLTE(세 가지 입도를 모두 아우르는 조합형 데이터 레이크 테이블 확장(Data-Lake Table Enrichment))에서 이를 프로빙한다. 이러한 표준화된 설정을 지원하기 위해, 123개의 검증된 타깃을 가진 50개의 OpenML 테이블, 16개의 행 쌍 연결 재구성 과제, 1,379개의 상위 테이블에서 파생된 47,772개 테이블의 DLTE 레이크를 포함한 선별된 벤치마크 자산과 과제 재구성을 공개한다. 20개 모델과 16개 과제에 걸쳐, TRL-Bench는 하위 과제 조건이 표준화되면 인코더의 품질이 단일 리더보드로 포착되지 않고 역량별로 다르게 나타남을 보여 준다. TRL-CTbench에서는 표면 텍스트 신호가 강한 과제에서 범용 텍스트 인코더가 흔히 앞서고, 사전학습 목적이 과제와 부합하는 경우에는 표형 전문 모델이 우세하다. TRL-Rbench에서는 테이블 내 예측과 테이블 간 연결이 서로 다른 학습 체제를 선호하며, 원자적 연결 성능은 DLTE 파이프라인의 행 매칭 단계와 강한 상관을 보인다. TRL-DLTE에서는 가장 강력한 파이프라인이 단일 인코더를 재사용하기보다 역량에 맞는 전문 모델을 조합하며, 최고의 종단간 품질은 단계별 한계 순위만이 아니라 비가산적인 조합 적합성에 좌우된다. TRL-Bench는 공유된 하위 과제 조건에서 내보낸 표형 표현의 재사용 가능한 신호를 측정하기 위한 공통 프로토콜을 제공한다. 코드: https://github.com/LOGO-CUHKSZ/TRL-Bench; 데이터는 Hugging Face에서 공개된다.

arXiv:2602.02025v3cs.DB

Hippasus: Accurate and Cost-Efficient Feature Augmentation over Relational Tables

ML models critically depend on feature quality, yet in real-world settings, useful features are often distributed across multiple relational tables rather than a single dataset. Feature augmentation addresses this problem by automatically discovering and joining additional tables to enrich a base table with predictive features. However, scaling feature augmentation to complex schemas with many tables and multi-hop relationships is challenging. It requires exploring a large space of join paths, executing costly joins, and selecting useful features from noisy results. Existing approaches suffer from either limited effectiveness or efficiency. Restricting exploration to simple joins limits predictive performance, while more expressive methods rely on expensive training data, lack scalability, or fail to fully exploit schema-level semantics. We present Hippasus, a cost-aware, LLM-guided feature augmentation framework over relational schemas, that addresses these challenges. Hippasus ranks candidate join paths before executing any join, by combining lightweight statistical signals with adaptive semantic analysis, invoking an LLM only when necessary. It further introduces efficient multi-way join execution with cross-path feature consolidation, and a hybrid feature selection strategy that integrates statistical relevance with semantic refinement. Experiments on 13 real-world datasets show that Hippasus improves predictive performance by up to 15.7% on average over state-of-the-art methods, while running on par with the fastest of them and keeping its LLM token cost low.

arXiv:2508.02091v5cs.LG

CRINN: 근사 최근접 이웃 탐색을 위한 대조 강화학습

CRINN: Contrastive Reinforcement Learning for Approximate Nearest Neighbor Search

근사 최근접 이웃 탐색(ANNS) 알고리즘은 최근의 AI 애플리케이션, 특히 검색-증강 생성(RAG) 및 에이전트(agent) 기반 대규모 언어 모델(LLM) 애플리케이션에서 점차 중요해지고 있습니다. 본 논문에서는 ANNS 알고리즘을 위한 새로운 패러다임인 CRINN을 제시합니다. CRINN은 실행 속도를 보상(reward) 신호로 사용하는 강화학습(reinforcement learning) 문제로 ANNS 최적화를 다룹니다. 이러한 접근법을 통해 정확도 제약 조건을 유지하면서 점진적으로 더 빠른 ANNS 구현체를 자동으로 생성할 수 있습니다. 실험적 평가를 통해 널리 사용되는 6개의 NNS 벤치마크 데이터셋에서 CRINN의 효과성을 입증했습니다. 최첨단 오픈소스 ANNS 알고리즘들과 비교했을 때, CRINN은 3개 데이터셋(GIST-960-Euclidean, MNIST-784-Euclidean, GloVe-25-angular)에서 최고의 성능을 달성했으며, 2개 데이터셋(SIFT-128-Euclidean, GloVe-25-angular)에서 공동 1위를 차지했습니다. CRINN의 성공이 시사하는 바는 ANNS 최적화를 훨씬 뛰어넘습니다. 이는 강화학습으로 증강된 LLM이 전문 지식과 노동 집약적인 수작업 개선을 요구하는 정교한 알고리즘 최적화를 자동화하는 효과적인 도구로 기능할 수 있음을 검증합니다. 코드는 https://github.com/ornith-ai/CRINN 에서 확인할 수 있습니다.

arXiv:2611.07342v2cs.DB

다중 위반 지식 그래프 복구를 위한 선택적 검색 라우팅

Selective Retrieval Routing for Multi-Violation Knowledge Graph Repair

지식 그래프에는 누락되거나 일관되지 않은 사실이 자주 포함되어 이를 기반으로 하는 응용을 저해한다. 스키마 검증은 이러한 위반을 탐지하지만, 여러 유효한 복구 중 어느 것이 의도된 그래프를 복원하는지는 식별하지 못한다. 외부 코퍼스는 의도된 복구를 식별하는 데 필요한 근거를 제공할 수 있으나, 이를 검색하는 것은 비용이 크고 항상 성공하는 것도 아니다. 본 논문에서는 반복적 그래프 복구에서 선택적 검색을 위한 프레임워크를 제안한다. LLM 복구 에이전트가 그래프를 탐색하고 편집하는 동안, 라우터는 외부 근거를 검색하는 리서처 에이전트에 대한 접근을 제어한다. 우리는 위반 주입 프레임워크를 확장하여, 서로 호환되는 여러 위반과 알려진 참조 복구를 갖는 사례를 생성한다. 이러한 사례에서 에이전트의 복구 결과는 배포 환경별 라우터를 학습하기 위한 지도 신호를 제공한다. 두 개의 빌딩 자동화 데이터셋에서 리서처 접근은 일부 위반에 대한 복구를 개선하고 다른 위반에서는 악화시키며, 그 효과는 배포 환경에 따라 다르다. 라우터는 여섯 개의 평가 스위트 모두에서 항상 접근을 허용하는 경우보다 적은 복구 시간 토큰을 사용한다. 또한 여섯 개 중 다섯 개의 스위트에서 항상 접근을 차단하는 경우보다 높은 복구 $F_1$을 달성한다.