PyTorchKR Papers

최신 논문

총 260편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2608.07476v1cs.AI

구조 이론에서의 결정화: 폐포, 비교 가능성, 공동 허용성을 통한 통합 프레임워크

Determinization in Structure Theories: A Unified Framework via Closure, Comparability, and Joint Admissibility

우리는 복수의 구조 이론(plural structure theories)으로부터 정준 해석(canonical interpretation)을 구성하기 위한 형식 프레임워크를 개발한다. 구조 이론은 시그니처, 공리, 추론 정책(inference policy)으로 이루어진 삼중항 T = (Σ, A, I)이며, 그 허용 가능한 해석 족(admissible interpretation family)은 구조적 결론에 대한 전역적으로 일관된 모든 할당을 모은 것이다. 우리는 정준화를 세 수준으로 구분한다: 폐포 안정화(closure stabilization, 시드별 수렴), 전역 완성(global completion, 시드에 독립적인 수렴), 그리고 결정화(determinization, 유일한 허용 가능 해석). 비결정성은 인식적 복수성(epistemic plurality, Type E)과 구조적 복수성(structural plurality, Type S)으로 분류되며, Type S 중에서도 공통 상계(common upper bound)가 존재하지 않는 특성으로 정의되는 세분화된 하위 부류인 Type S-strong이 있다. 두 가지 정준화 메커니즘, 즉 연산자 기반 완성(operator-based completion)과 선택자 기반 구성(selector-based construction)이 등장한다. 우리는 이러한 메커니즘이 존재하기 위한 충분한 구조적 조건을 제시하고, 순수한 추론 기반 완성이 양(positive)의 비철회적(non-retractive) 규칙 아래에서 추가적인 건전성(soundness) 조건이 있으면 포화된 폐포 연산자(saturated closure operator)로 환원됨을 보인다. Type E 이론에 대해서는 폐포 안정화가 확립되지만, 완전한 결정화는 아직 미해결로 남아 있는 전역 합류성(global confluence) 성질에 달려 있다. Type S-strong 이론에 대해서는 정준 선택(canonical selection)을 통해 결정화가 달성된다. 나아가 다수준 정준화가 단계별 연산자(staged operators)를 통해 구조적으로 비가환적인(non-commutative) 체계를 이룸을 보이며, 이론 내재적 메커니즘을 폐포 또는 선택으로 환원하는 조건부 분류 정리를 제시한다. 이 프레임워크는 LLM 보조 추론에도 적용되며, 여기서 환각(hallucination)은 근거 없는 정준화(unsupported canonicalization)로 볼 수 있다.

arXiv:2608.04111v2cs.CV

GEB-Bench: 다양한 양식으로 표현된 추상적 구조

GEB-Bench: Abstract Structures Told in Many Voices

모델이 삼각주와 번개를 보고 이들이 동일한 구조를 공유하고 있음을 알아챌 수 있을까요? 우리는 '괴델, 에셔, 바흐(Gödel, Escher, Bach)'의 정신에 입각하여 자기참조(self-reference), 이상한 고리(strange loop), 뫼비우스의 띠 형태의 꼬임(Möbius twist)과 같은 추상적 구조 모티프를 기본 단위로 하는 벤치마크인 GEB-Bench를 소개합니다. 각 모티프는 여러 양식(voice)으로 표현됩니다. 즉, 구도 자체가 구조를 이루는 자연 장면, 기계적으로 검증 가능한 형식적 장치를 통해 구조를 구현하는 구전 이야기, 수학적 정리, 그리고 프로그래밍 스켈레톤으로 제시되며, 표면적 파라미터는 무관 변수(nuisance variable)로 규정되어 점수에 반영되지 않습니다. 모티프와 양식, 그리고 이들 사이의 구조적 변환은 작은 크로스모달 범주를 형성하며, GEB-Bench의 태스크는 이에 관한 질문들로 구성됩니다. 12개의 오픈소스 및 독점 모델을 평가한 결과, 추상화 실패에는 일정한 법칙이 있음을 발견했습니다. 핵심적인 발견은 인식과 양식 간 매핑(cross-voice mapping) 사이의 격차입니다. 모델은 단일 양식 내에서 구조를 식별하는 능력이 양식 간에 구조를 전달하는 능력보다 훨씬 우수했습니다. 모든 모델이 이러한 성능 손실을 겪었으며, 이를 좁힐 만큼 강력한 매핑 능력은 프론티어 급(frontier tier) 모델에서만 나타났습니다. 두 가지 패턴이 이를 뒷받침합니다. 첫째, 오류는 측정된 지각적 기하구조보다 설계된 형식적 기하구조와 더 강하게 일치하며, 서로 다른 벤더의 프론티어 모델들이 동일한 오답으로 수렴했습니다. 둘째, 표면적 복잡성은 구조를 해석하는 모든 모델에 부담을 주며, 모델 역량이 커지더라도 면역력을 얻기보다는 단지 여유 한계(headroom)를 확보하는 데 그쳤습니다. GEB-Bench는 완전한 생성형 벤치마크이며 전체 파이프라인과 함께 공개됩니다.

arXiv:2608.06399v1cs.LO

Recovering Explanations from Transformed Rule-Based Ontologies

Datalog rules are often used to define ontologies over Knowledge Graphs. Rule reasoners routinely optimise such ontologies by rewriting their rules into a form that can be evaluated more efficiently. These transformations preserve the entailed facts, but not the structure of the underlying derivations. A proof tree under the rewritten rules explains why a fact holds, but does not readily yield an explanation in terms of the original rules. We study the problem of constructing, from a proof of entailment under the rewritten rules, a proof under the original ones: we establish its computational complexity and identify two practically relevant languages for specifying proof transformations.

arXiv:2608.05420v1cs.LO

가중치 공개 LLM이 커널 검증을 통과하는 Coq 증명을 생성할 수 있는가? 예비 연구

Can Open-Weight LLMs Produce Kernel-Verified Coq Proofs? A Pilot Study

대규모 언어 모델(LLM)은 수학적 증명과 유사한 텍스트를 생성할 수 있지만, 유사성이 정확성을 입증하지는 않습니다. 형식적 증명 검증기(formal proof checker)는 각 증명 단계가 확립된 논리적 규칙을 따르는지 검증합니다. Coq은 시스템이 수용할 수 있는 증명 단계를 정의하는 논리 체계인 유도적 구성의 계산법(Calculus of Inductive Constructions)에 규칙의 기반을 둡니다. 본 예비 연구에서는 실제 Coq 프로젝트에서 파생된 벤치마크인 CoqStoq의 동일한 100개 정리를 대상으로 6개의 가중치 공개 LLM을 평가했습니다. 각 LLM은 온도를 0으로 설정하여 정리당 1회의 시도 기회를 부여받았으며, Coq은 정리의 원래 프로젝트 환경에서 제안된 모든 증명을 검사했습니다. Coq 커널이 수락한 경우에만 증명이 성공한 것으로 간주했습니다. Gemma 4는 100개 정리 중 12개를 검증했고, Llama 3.3은 8개, DeepSeek Coder V2 Lite는 1개를 검증했습니다. Qwen 3.5, Mistral Small 3.1, GPT-OSS는 하나도 검증하지 못했습니다. 21건의 성공적인 모델-정리 결과는 15개의 서로 다른 정리를 포괄했으며, 그중 11개는 표준 Coq 전략(tactics)의 기준선으로는 해결되지 않은 것이었습니다. 검증된 모든 정리는 인간이 작성한 참조 증명의 길이가 짧거나 중간 정도였으며, 참조 증명이 긴 정리를 검증한 모델은 없었습니다. 증명 길이에 대한 분석은 탐색적이었으므로, 이러한 패턴이 증명 길이가 차이를 유발했음을 입증하지는 않습니다. 최소 1건 이상 성공한 세 모델의 경우, 검증된 증명당 총 생성 비용은 출력 토큰 741개에서 36,193개, 14.9초에서 178.0초, 총 GPU 시간 0.0167시간에서 0.2000시간 범위였습니다. 검증된 증명이 없는 모델에 대해서는 이러한 비율을 계산할 수 없었습니다. 600회의 시도 전반에서 모델들은 21개의 커널 검증 증명을 생성하여 3.5%의 전반적인 성공률을 보였습니다. 본 연구는 모델 간의 기술적(descriptive) 차이를 보고하지만, 한 모델이 다른 모델보다 우수한지 통계적으로 검정하지는 않습니다. 따라서 이 결과가 6개 모델의 보편적인 순위를 확립하는 것은 아닙니다.

arXiv:2603.23878v3cs.LG

신경망 정형 분석을 위한 Luna 경계 전파기

The Luna Bound Propagator for Formal Analysis of Neural Networks

alpha-CROWN으로도 알려진 매개변수화된 CROWN 분석은 신경망(neural network) 검증을 위한 실용적으로 성공적인 추상 해석 기법으로 부상했습니다. 그러나 기존의 alpha-CROWN 구현체들은 Python으로 제한되어 있어 기존 심층 신경망(DNN) 검증기 및 장기적인 프로덕션 수준 시스템으로의 통합을 복잡하게 만듭니다. 본 논문에서는 C++로 구현된 새로운 추상 해석 기반 경계 전파기(bound propagator)인 Luna를 소개합니다. Luna는 일반적인 계산 그래프(computational graph) 상에서 구간 경계 전파(Interval Bound Propagation), DeepPoly/CROWN 분석, 그리고 alpha-CROWN 분석을 지원합니다. 우리는 Luna의 아키텍처를 설명하고, VNN-COMP 2025에서 지원되는 벤치마크들을 대상으로 경계 밀착도(bound tightness) 및 계산 효율성 측면 모두에서 최첨단 alpha-CROWN 구현체보다 우수한 성능을 보임을 제시합니다. Luna는 https://github.com/ai-ar-research/luna 에서 공개적으로 이용 가능합니다.

arXiv:2608.04457v1cs.DB

Eigenius: 인식론적 계층화와 인스티튜션 매개 추론을 갖춘 타입 기반 지식 그래프 DBMS

Eigenius: A Typed Knowledge-Graph DBMS with Epistemic Stratification and Institution-Mediated Reasoning

모델 컨텍스트 프로토콜(MCP)을 통해 연구를 주도하는 "AI 과학자(AI Scientists)"가 등장함에 따라, 일회성 스크립트에 의존하는 시스템은 한계에 부딪힐 것입니다. 상태를 지닌 상호 연결된 막대한 규모의 증거는 목적에 맞게 구축된 데이터베이스 아키텍처에 기반한 기계 탐색 가능한 보증(machine-walkable warranty)을 필요로 합니다. Eigenius는 감사 질문("무엇을 알고 있으며, 그에 대한 보증은 무엇인가?")에 답하기 위해 통합된 커널이 필요하다는 단 하나의 전제 위에 구축된 오픈소스 타입 지식 그래프 DBMS입니다. Eigenius는 타입 시스템, 스토리지 엔진, 통합 프로토콜을 긴밀하게 결합함으로써 데이터 출처(provenance)를 여러 하위 시스템 경계에 걸쳐 재구성되는 속성이 아닌 구조적 불변성(structural invariant)으로 전환합니다. 이 커널은 코어 전반에 엮인 의존 타입 이론(dependent type theory), 강타입 통합 경계 역할을 하는 인스티튜션(institution), 콘텐츠 주소 지정 불변 스토리지 층이라는 세 가지 기둥에 기반합니다. 이러한 토대 위에서 인식론적 상태(선언/관측/도출/검증)는 엄격한 커밋 시점 불변성으로 강제됩니다. 시스템 간 변환(comorphism)은 커밋 시점에 검사되며 그래프 내에 영속적인 일급 리소스(first-class resources)로 직접 구체화됩니다. O(N^2)의 폴리스토어 병목을 제거하기 위해 공유 온체인 중간 표현(IR)을 통해 다중 시스템 변환을 항등 변환으로 축약합니다. 결정적으로, 이 아키텍처는 과학적 인식론의 두 영역을 모두 통합합니다. 경험 과학을 위해 정당화 논리(justification logic)에 의존하는 동시에, IPC 오버헤드 없이 (Lean 4를 통한) 정형 수학적 증명을 안전하게 평가할 수 있는 고속 인프로세스 텀 체커를 임베딩합니다. 취약한 스크립트로 이루어진 기존 Nature 연구를 구체화된 증거 그래프로 엔드투엔드 재계산한 결과, 고정된 데이터로부터 도출된 52개의 결론이 모두 유지되었으며 원본 연구에서 기계 검증된 네 가지 불일치점을 밝혀냈습니다.

arXiv:2608.04190v1cs.AI

사전학습된 트랜스포머 기반 인식 모델의 적대적 강건 귀추적 융합

Adversarially Robust Abductive Fusion of Pre-trained Transformer-based Perception Models

새로운 환경에 사전학습된 인식 모델(perception model)을 배포하면 분포 변화(distributional shift)로 인해 정확도가 저하되며, 단순히 이들을 앙상블하는 것만으로는 이를 회복할 수 없습니다. 다수결 투표(majority voting)와 같은 결합 방식은 정밀도(precision)와 재현율(recall) 사이의 트레이드오프를 수반하며 조직적인 오류(coordinated failure)에 취약합니다. 기존의 초인지적(metacognitive) 방법들은 모델의 오류를 표시하는 논리 규칙을 학습하지만, 완전히 새로운 장면에 전이되지 않는 수작업 도메인 지식 단서(객체 크기 사전확률, 세그멘테이션 마스크)에 의존합니다. 본 연구에서는 벡터 공간 기하학을 활용하여 도메인 지식 없이도 이러한 초인지적 층(layer)을 학습할 수 있음을 보입니다. 각 모델 자체의 학습(training) 임베딩으로 구축된 모델별 라벨 벡터 풀(Label Vector Pool, LVP)은 학습을 통해 결정된 프로토타입 대비 검출 결과의 기하학적 구조로부터 오류 탐지 규칙을 도출하며, 테스트 세트에서 F1 점수 $0.002$ 이내로 도메인 지식 규칙과 동등한 수준에 도달합니다. 본 접근법은 뉴로심볼릭(neurosymbolic) 방식을 유지하므로 이러한 기하학적 규칙들이 단일 논리 프레임워크를 공유하며, 활용 가능한 경우 도메인 지식으로 여전히 보완될 수 있습니다. 본 연구는 여러 불완전한 ViT 기반 검출기의 융합을 일관성 기반 귀추(consistency-based abduction) 문제로 정식화하고, 테스트 시점에 정확한 정수 계획법(Integer Program, IP) 및 다항 시간 휴리스틱을 통해 이를 해결합니다. 15개의 기상 변화 테스트 세트와 6개의 ViT 검출기로 구성된 항공 영상 벤치마크에서, 도메인 지식이 필요 없는 본 논문의 층은 깨끗한 데이터에서 가장 강력한 다수결 투표 변형과 대등한 성능(F1 점수 $0.005$ 이내)을 달성하며, 모든 다수결 투표 기준선(baseline)과 달리 조직적인 라벨 뒤집기 공격(label-flipping attack) 상황에서도 성능을 유지합니다. 즉, $90\%$ 뒤집기 비율에서 MV-Plurality의 F1 점수 $0.35$ 대비 평균 $0.42$(상대적으로 $22\%$ 향상)를 기록하며, 뒤집기 비율이 $0.4$를 초과하면 모든(\emph{every}) 테스트 세트에서 최고 F1 점수를 달성합니다.

arXiv:2608.03836v1cs.LG

재개는 재개를 의미한다: 워크플로우 지속성 계층의 체크포인트, 인터럽트 및 재개 시맨틱을 위한 기계 검증 적합성 계약

Resume Means Resume: A Machine-Checked Conformance Contract for Checkpoint, Interrupt, and Resume Semantics in Workflow Persistence Layers

실행 상태를 영속화하여 실행이 중단되거나 크래시에서 복구되어 계속될 수 있도록 하는 프레임워크는 이미 발생한 이펙트(effect)에 대해 재개(resume)가 무엇을 의미하는지 결정해야 합니다. 널리 사용되는 5개의 에이전트(agent) 워크플로우 프레임워크는 이에 대해 각기 다르게 답하며, 기계 검증 가능한 계약을 제공하는 프레임워크는 전무하고, 프레임워크들의 실제 동작은 스스로 명시한 단편적인 규칙조차 위반합니다. 본 연구의 RESUME CONTRACT는 지속성 API에 대한 6가지 속성(접두 문맥(prefix) 연속성, 이펙트 정확히 한 번 실행, 포크 결정론, 체크포인트(checkpoint) 유효성, 1회 소비, 복구 결정론)과 함께 포크 의도 및 활성성 의무를 규정합니다. TLA+ 모델은 참조 시맨틱을 철저하게 검증하며 확장된 경계(740만 개 상태)에서도 일관되게 유지됩니다. 39개 셀로 구성된 결함 매트릭스는 독립성에 요구되는 분리 모델들을 산출하며, 1회 소비는 분할되어 그 소비 조항이 다른 6가지 속성 모두와 독립적임을 보여줍니다. 결정론적이고 LLM을 사용하지 않는 테스트 하네스를 통해 고정된 릴리스 버전에서 이들을 측정했습니다. LangGraph 1.2.9는 두 번째 재개 값을 영속적으로 기록해 두고도 이를 전혀 참조하지 않으며, 스키마에 맞지 않는 유효하지 않은 상태를 알림 없이 영속화하고, 실제 SIGKILL 이후 영속적으로 기록된 작업을 재실행합니다. 즉, 동일한 단일 API에서 인터럽트에 대해서는 정확히 한 번(exactly-once), 크래시에 대해서는 최소 한 번(at-least-once)으로 동작합니다. CrewAI 1.15.2는 문서상의 주장과 달리 완료된 이펙트 수반 메서드를 재실행하며, pydantic-graph 1.x는 노드(node) 실행 도중 발생한 크래시 이후 재개할 수 없습니다. 조사된 프레임워크 중 동일한 적합성 프로파일을 공유하는 프레임워크는 없었습니다. 1회 소비는 순차적 환경에서는 성립하지만 동시 전달 환경에서는 실패합니다. 보류된 하나의 인터럽트를 재개하는 k개의 프로세스가 게이트된 이펙트를 k번 실행하여 40개 셀 중 36개에서 포화도 1.0을 보였으며, 이러한 실패는 호스트 간에도 발생합니다. Verus로 검증된 복구 코어가 실제 배포된 실행 파일과 라인 단위로 동일한 참조 시퀀서 REMIT은 포크 및 유효성 셀 문제를 해결합니다. 프로세스 간 셀 문제는 읽기 경로에서 해결되어 배포되었으며, 옵트인(opt-in) 게이트가 공유 스토어에서 소비를 선점하여 노드가 실행되기 전에 한 레이서에게만 서비스를 제공하고 나머지는 거부합니다.

arXiv:2605.20244v2cs.LO

Lean Refactor: 에이전트 기반 전략 탐색을 통한 다목적 제어 가능 증명 최적화

Lean Refactor: Multi-Objective Controllable Proof Optimization via Agentic Strategy Search

본 논문에서는 Lean 증명의 다목적(multi-objective), 제어 가능하며 버전 견고한 리팩터링을 위한 플러그앤플레이(plug-and-play) 방식의 검색-증강 에이전트(agent) 프레임워크인 Lean Refactor를 제시합니다. 대규모 언어 모델(LLM)이 생성한 증명은 정확하지만 지나치게 장황하고 라이브러리 버전에 따라 취약하다는 점이 잘 알려져 있으나, 기존의 리팩터링 연구들은 세 가지 실질적 과제를 간과하고 있습니다: 1) Lean 리팩터링은 본질적으로 다목적 문제입니다(증명 길이, 컴파일 비용, 버전 호환성이 종종 상충됨). 2) Lean 저장소는 호환성이 취약한 반면, 새로 출시되는 LLM은 Lean/Mathlib 버전을 인식하지 못합니다. 3) 학습(training) 기반 파이프라인은 새로운 LLM이 출시될 때마다 반복적인 미세조정(fine-tuning)이 필요하여 모델 교체 주기나 Lean의 릴리스 주기 모두에 맞춰 확장하기 어렵습니다. Lean Refactor는 지원되는 Lean/Mathlib 버전 및 예상 컴파일 비용 절감과 같은 메타데이터가 조밀하게 주석 처리된 다목적 리팩터링 전략의 큐레이션된 데이터베이스로부터 검색을 수행하여 고정된(frozen) 에이전트 기반 LLM을 유도합니다. 실험 결과, 본 연구는 경쟁 벤치마크(benchmark)에서 70% 이상의 토큰(token) 수준 압축률을 달성하고, 연구 저장소에서 20% 이상, 컴파일 시간을 최대 60% 단축하여 이전 연구 및 Claude Code보다 우수한 성능을 보였습니다. 또한 버전 필터링된 검색은 대상 Lean 버전에서의 압축률을 더욱 향상시키며, 리팩터링된 miniF2F 증명은 리팩터링되지 않은 증명에 비해 향후 Lean 릴리스에 대해 더 강력한 제로샷(zero-shot) 버전 전이 능력을 나타냅니다.

arXiv:2608.03772v1cs.AI

구조화된 인과적 입력 환경에서 신경망 예측에 대한 실제 원인 계산

Computing Actual Causes for Neural Network Predictions under Structured Causal Inputs

신경망(neural network)의 예측을 설명하는 것은 신뢰할 수 있는 AI에서 핵심적인 과제입니다. 특징(feature) 기여도나 최소 충분 집합(minimal sufficient sets)에 기반한 기존 설명 방법들은 일반적으로 입력 특징들을 독립적인 것으로 취급하므로, 입력에 구조화된 의존성이 나타날 때 오해의 소지가 있는 설명을 제공할 수 있습니다. 본 연구에서는 불리언 구조적 인과 모델(Boolean Structural Causal Models, SCM)을 사용하여 입력 의존성을 모델링하고, 설명을 핼펀-펄(Halpern-Pearl, HP) 실제 원인(actual cause)으로 공식화하여 이 문제를 해결합니다. 경계 전파(bound propagation)와 분기 한계법(branch-and-bound) 기법을 적용하여 HP 원인을 계산하는 동시에 완전성(completeness)과 최소성(minimality)에 대한 정형적 보장을 제공합니다. 실험 결과, 본 연구의 방식은 확장성 측면에서 브루트 포스(brute-force) 및 ILP 베이스라인을 크게 능가하며 그래프 크기가 커짐에 따라 휴리스틱 탐색보다 뛰어난 성능을 보여, 최대 28개 노드를 가진 SCM에서 인스턴스당 180초의 시간 제한 내에 최대 $2.3\times10^{13}$개의 후보 (원인, 우연성) 쌍의 탐색 공간을 가진 인스턴스에 대해 모든 최소 실제 원인을 계산함을 확인했습니다. 또한 사례 연구를 통해 입력 의존성을 무시하면 보고되는 원인의 수가 부풀려지며, 그중 14.9%는 연구진의 SCM 하에서 가짜(spurious) 원인임을 보였습니다.

arXiv:2608.02930v1cs.AI

원자 개념 학습에서의 초입방체, 초평면, 그리고 제약으로 인한 복잡도 붕괴

Hypercubes, Hyperplanes, and Constraint-Induced Complexity Collapse in Atomic Concept Learning

본 논문에서는 기저 인스턴스(ground instance)의 초입방체(hypercube) 및 초평면(hyperplane) 기하학을 통해 고차 항수(higher-arity) 원자 개념 학습(atomic concept learning)을 재조명합니다. 출발점은 기저 원자(ground atom)들의 주변 r차원 초입방체가 구조적으로 균일하지 않다는 관찰입니다. 이 구조의 논리적 복잡도는 초평면에 의해 체계화됩니다. 전체 대각선(full diagonal)을 제외한 모든 초평면은 항 깊이(term depth)와 무관한 상한을 가지며 유한한 개수의 기본 동치류(elementary-equivalence class)로 붕괴하지만, 예외적인 전체 대각선의 동치류 개수는 한계 없이 증가합니다. 이러한 비대칭성은 단순한 기하학적 현상에 그치지 않고 개념 자체의 환원론적(reduction-theoretic) 구조를 반영합니다. 저자의 선행 연구에서 발전된 고차원 프레임워크를 기반으로, 표준 단순 개념(canonical simple concept), 극소 순서화(minimal ordering), 대표 환원(representative reduction)을 통해 이러한 결과를 재해석합니다. 이를 통해 고차원에서의 초평면 거동에 대한 분류 체계를 도출하고, 복잡도가 인스턴스 공간 전체에 균일하게 분포하기보다는 국소화되어 있음을 보입니다. 본 논문은 완전히 해석된 이항 사례, 삼항 초입방체에 대한 명시적 분석, 그리고 이러한 붕괴를 유도하는 환원 메커니즘에 대한 상세한 설명을 포함합니다. 3차원 사례는 이미 직교군(orthogonal family), 부분 대각선(partial diagonal), 예외적인 전체 대각선이라는 핵심적인 현상을 보여줍니다. 이러한 기하학적-논리적 관점은 원자 개념 학습에서 복잡도가 어디에 집중되는지 명확히 밝히며, 제약된 가설 공간 및 구조화된 분류(classification) 관점에서의 현대적 해석을 제시합니다.

arXiv:2608.02704v1cs.AI

예측 집합론: 핵심 메커니즘을 조작적으로 정의한 인지 아키텍처를 위한 생성적 프레임워크

Predictive Set Theory: A Generative Framework for Cognitive Architecture with Operationalized Core Mechanisms

예측 처리(predictive processing) 이론들은 뇌를 예측 오차를 최소화하는 계층적 예측 엔진으로 묘사하지만, "예측"의 구조, 예측 오차에 대한 표준화된 반응, 그리고 연속적인 업데이트 전반에 걸쳐 일관성을 유지하는 메커니즘에 대한 조작적 정의(operational definition)가 결여되어 있습니다. 베이즈 인지과학은 모든 불확실성을 확률적 신념 업데이트에 포섭하고자 시도하지만, 닫힌 가설 공간을 전제하며 확률이 분포되는 대상들이 애초에 어떻게 분리되고 식별 가능한 참조체(referent)가 되는지에 대한 생성적 설명을 제공하지 못합니다. 본 논문은 제1원리(first principles)로부터 인지 아키텍처를 재구성하는 정형 생성 프레임워크인 예측 집합론(Predictive Set Theory, PST)을 소개합니다. PST는 항등 함수로 정형화된 센서, 집합론적 상태 갱신, 그리고 세 가지 기본 형태의 참조 사슬(참조, 역참조, 반참조)이라는 최소한의 연산 집합에 인지를 정초하고, 상태 시퀀스, 요구, 비교, 효율성, 유한 지평 확률적 계획을 포함한 핵심 인지 기능을 엄밀하게 도출합니다. 신경 메커니즘을 모델링하기보다는, PST는 불완전한 정보와 비가역적 위험 속에서 행동하면서 내부 일관성을 유지해야 하는 모든 시스템을 위한 설계 명세의 역할을 합니다. 이 프레임워크는 러셀의 역설, 괴델의 불완전성의 인지적 지위, 음의 피드백 그라운딩(grounding), 영화 편집의 이해와 같은 고전적 문제들에 대한 새로운 해결책을 제시합니다. 본 논문의 주요 목적은 공개적인 학술 기록을 통해 예측 집합론 프레임워크의 독창성과 완전성을 확립하는 것입니다.

arXiv:2608.00383v1cs.LO

소규모 합성 데이터 사전학습으로 추가 비용 없이 대규모 확장: 논리 규칙 귀납을 위한 대칭성 인식 파운데이션 모델

Pretrain on Small Synthetic Data, Scale Large for Free: Symmetry-Aware Foundation Model for Logic Rule Induction

논리 규칙 귀납(logical rule induction)은 명제 스키마(propositional schema) 전반에 걸쳐 전이될 수 있는 해석 가능한 규칙을 찾는 것을 목표로 합니다. 이를 위해서는 원자 명명(atom naming), 예시 순서, 극성 반전(polarity flips), 레이블 치환(label swap)과 같은 대칭성을 준수해야 합니다. 구조적으로 정확한 대칭성을 강제하면, 단 한 번 학습(training)된 유도기(inducer)로도 학습 스키마 범위를 넘어 확장할 수 있습니다. 본 연구의 핵심 기여는 리터럴 점수(literal scores)로부터 이산 규칙을 디코딩하는 표준적인 익스포트(canonical export) 방식입니다. 이는 재학습을 필요로 하지 않으며, 해당 점수들이 대칭성을 준수할 때마다 정확히 등변성(equivariant)을 가집니다. 본 연구는 본래 예시 순서만을 준수하는 논리곱 표준형(DNF) 파운데이션 모델인 Neural Rule Inducer(NRI)에 이를 구현합니다. 나머지 대칭성들은 아키텍처, 추론(inference), 학습을 통해 복원합니다. 합성 스트레스 테스트에서 서포트 레이블에 대한 정확도는 훨씬 더 큰 스키마에서도 안정적으로 유지되며, 새로운 입력에 대한 규칙 충실도(fidelity)는 수정되지 않은 기존 모델보다 높은 수준을 유지합니다. 실제 데이터에서는 스키마가 커질수록 정확도가 가장 크게 향상됩니다. 익스포트된 규칙은 합성 풀-그룹 테스트와 스키마 유효 실제 데이터 테스트에서 정확하게 동작합니다. 이는 특정 모델(model)의 특성이 아니라 익스포트 방식 자체의 수학적 특성이며, 본 논문에서는 NRI에 대해서만 실증적으로 검증합니다. 구조적으로 대칭성을 강제함으로써, 소규모 데이터로 사전학습된 이 모델을 더 큰 스키마로 전이 가능한 재사용 및 해석 가능한 유도기로 탈바꿈시킵니다.

arXiv:2608.02454v1cs.AI

유한 추적 기법을 활용한 무한 추적 목표: LTL의 LTLf+ 변환

Infinite Trace Objectives with Finite Trace Techniques: Translating LTL to LTLf+

선형 시제 논리(LTL)는 반응형 합성부터 마르코프 결정 과정(MDP)에서의 확률적 계획 수립 및 강화학습에 이르기까지, 인공지능(AI) 분야에서 시제적으로 확장된 목표를 명세하는 데 가장 널리 채택되는 언어 중 하나입니다. 전통적으로 이러한 문제를 해결하려면 LTL 명세를 무한 단어에 대한 비결정적 오토마타로 변환한 다음 이를 결정화해야 하는데, 이 단계는 이론적으로나 실무적으로 악명 높을 정도로 어렵습니다. 최근 연구에서는 유한 추적 논리인 LTLf를 무한 추적으로 확장한 LTLf+를 도입했습니다. LTLf+는 LTL과 동일한 표현력을 가지면서도 기반 논리인 LTLf의 핵심적 이점 대부분을 유지합니다. LTLf+에서의 추론 대부분은 유한 단어에 대한 유한 오토마타를 기반으로 하며, 이는 표준 최소 표현뿐만 아니라 효율적인 결정화 절차도 갖추고 있습니다. 본 연구에서는 LTL에서 LTLf+로의 최초 변환 기법을 제시합니다. 먼저 LTL 공식을 Manna-Pnueli 계층 구조의 구문 반응성 프래그먼트로 정규화하여 LTLf+의 일반적인 프래그먼트 기반 형태를 생성합니다. 그런 다음 해당 프래그먼트의 각 개별 구성 요소에 대한 선형 변환을 제시합니다. 이 변환의 결과로, LTLf+를 위해 개발된 점점 확장되는 기법들을 현재 LTL로 정식화된 수많은 AI 문제에 적용할 수 있게 되었습니다. 나아가 LTL에서 LTLf+를 거쳐 오토마타에 이르는 파이프라인이 여전히 이중 지수(doubly exponential) 복잡도를 유지하므로, 점근적 비용 증가가 발생하지 않음을 보입니다.

arXiv:2608.02295v1cs.AI

MechGeo: Lean 4에서 유클리드 기하학의 자동 형식화 및 증명

MechGeo: Autoformalizing and Proving Euclidean Geometry in Lean 4

본 논문에서는 유클리드 기하학에 대한 충실한 자동 형식화(autoformalization)와 검증된 증명 생성을 함께 다루는 Mathlib 네이티브 에이전트(agent) 프레임워크인 MechGeo를 소개한다. 이 프레임워크에서 GeoFormalizer는 비형식적 문제를 GeoIR로 표현하고, 이를 결정론적으로 Lean 4로 변환하며, 구조적 진단과 의미론적 평가를 활용하여 후보 진술을 반복적으로 수정한다. GeoProver는 기하학적 증명 계획을 구성하고, 중간 보조정리(lemma)를 유도하며, Lean에서 검증된 라이브러리를 통해 적절한 서브골(subgoal)을 선별적으로 대수화한다. 대수적 인증서 생성에는 Singular나 SymPy가 사용될 수 있으나, 결과로 나오는 모든 증명과 반례는 Lean의 커널(kernel)을 통해 검증된다. 7개의 대규모 언어 모델(LLM) 백본에 걸친 실험 결과, 특히 직접 변환 성능이 약한 모델에서 자동 형식화 성능이 크게 향상됨을 확인했다. 역대 IMO 기하 문제 43개 중 GeoFormalizer가 생성한 형식 진술에 대해 GeoProver는 29개 문제를 증명했다. 나머지 14개 문제에 대해서는 Lean에서 검증된 반례를 구축하였으며, 전문가 교정 후 수정된 진술을 모두 증명했다. IMO 2026 2번 문제와 결합하여, 본 연구는 우리가 아는 한 IMO 기하 문제에 대해 자동으로 생성되고 커널 검증을 거친 가장 대규모의 Lean 증명 모음을 제공한다. LEAP의 Lean-IMO-Bench에 포함된 14개 기하 진술에 대해서는 MechGeo가 최초로 12개를 증명했고, 나머지 2개는 형식적으로 반박한 뒤 수정된 진술 2개를 모두 증명했다. 이러한 결과는 반례 기반 진단, 기하학적 추론, 검증된 기호 계산이 신뢰할 수 있는 형식 기하학을 위한 실용적인 토대임을 입증한다.

arXiv:2608.02184v1cs.AI

매개변수 마르코프 모델을 위한 PAC 근사와 DIRECT 최적화

PAC Approximation and DIRECT Optimization for Parametric Markov Models

본 논문에서는 정확한 확률값이 매개변수 표현식으로 대체된 고전적 MDP의 확장인 매개변수 마르코프 결정 과정(pMDP)에 대한 매개변수 합성 및 최적화(optimization) 문제를 다룹니다. 매개변수 평가값을 PRCTL 속성 $\lsf$의 만족값으로 매핑하는 유리 함수 $f_{\lsf}$를 계산하는 것은, 특히 매개변수 공간에 따라 최적 정책이 달라질 수 있는 pMDP에서 계산 비용이 매우 큰 작업입니다. 우리는 $f_{\lsf}$의 아마도 근사적으로 정확한(PAC, probably approximately correct) 근사치 $\ApproxFunOfProperty{f}$를 효율적으로 합성하기 위해 시나리오 접근법(scenario approach)을 채택합니다. 즉, 매개변수 구성을 샘플링하고 선형 계획법(linear program)을 해결함으로써, 샘플링 분포 하에서 $\errorRate$ 비율의 매개변수 영역을 제외한 모든 영역에 대해 지정된 신뢰도로 오차 마진 $\margin$이 보장되는 다항식 근사를 얻습니다. 더 나아가 이 PAC 프레임워크가 통계적 모델 체킹(SMC)과 결합되어 블랙박스 매개변수 모델의 분석을 가능하게 하는 방법을 보여줍니다. 이러한 PAC 근사를 기반으로, 매개변수 공간에 대한 도함수 없는 전역 최적화를 위해 DIRECT(DIviding RECTangles) 알고리즘을 통합합니다. 또한 명시적인 립시츠(Lipschitz) 및 PAC 우수 집합(PAC-good-set) 가정 하에서 조건부 최적성 격차 보장을 수립합니다. 즉, 실제 최적값 $f_{\lsf}(\parameters^{*})$와 DIRECT가 찾은 값 사이의 차이는 분할 직경 항과, PAC의 경우 추가적인 근사 오차 항에 의해 유계됩니다. 2,997개 벤치마크(benchmark)에 대한 실증적 평가는 새로운 DIRECT 기반 최적화 컴포넌트에 중점을 둡니다. 결과에 따르면 DIRECT 변형들은 시나리오 옵티마이저보다 적은 수의 인스턴스를 해결하지만, 공통으로 성공한 인스턴스에서는 종종 약간 더 우수한 목적 함수 값을 반환하고 대개 더 빠르게 실행되면서도 PAC 마진 내에서 시나리오 값에 근접하게 유지됨을 보여줍니다.

arXiv:2608.00882v1cs.AI

알고 있었다고 가정하기: 에이전틱 AI를 활용한 정보 흐름 정책의 인식 의미론 수정

Assuming You Knew: Fixing an Epistemic Semantics for Flow Policies Using Agentic AI

많은 상위 수준 보안 요구사항은 프로그램 내에서 허용된 정보의 흐름(flow of information)에 관한 것이며, 선택적 다운그레이딩(selective downgrading)을 수반하기 때문에 이를 정밀하게 정의하기 어렵습니다. 인식 논리(epistemic logic)의 개념들이 정책 의미론을 위한 유망한 접근 방식으로 떠올랐으나, 견고하고 일반적인 프레임워크는 여전히 확보되지 않은 상태였습니다. CSF 2018에 발표된 "Assuming You Know: Epistemic Semantics of Relational Annotations for Expressive Flow Policies"라는 논문은 통합 프레임워크를 제공하고자 시도했으나, 정형화(formalization)가 대략적인 수준에 그쳤고 학술대회 발표 도중 오류 수정이 발표되었습니다. 본 연구에서는 에이전틱 AI(agentic AI) 코딩 어시스턴트의 지원을 받아, 수정된 정형화를 Rocq 증명 보조 도구(proof assistant)로 기계 검증(machine check)하였습니다. 이 프레임워크의 단순성과 범용성은 서로 다른 정책 명세 스타일을 비교하고 기존 기법을 활용하여 이를 강제하는 데 도움이 될 수 있습니다.

arXiv:2607.29051v1cs.LG

신경망 검증을 위한 룩어헤드 보조정리 학습

Learning Lookahead Lemmas for Neural Network Verification

최신 신경망(neural network) 검증기는 핵심 해결 메커니즘으로 분기 한정(branch-and-bound) 절차를 사용합니다. 본 논문에서는 룩어헤드(lookahead) 절차로 구동되는 신경망 검증용 인프로세싱(inprocessing) 프레임워크를 소개합니다. 이 프레임워크에서 룩어헤드는 불안정한 ReLU의 위상(phase)에 대한 새로운 보조정리(lemma)를 도출하며, 이 보조정리들은 탐색 공간을 가지치기하고 불리언 컷(boolean cut)을 비비파이(vivify)하는 데 사용되는 함의 그래프(implication graph)로 수집됩니다. 본 프레임워크를 대표적인 최신 검증기인 Marabou와 $α$-$β$-CROWN 두 곳에 구현하여 두 검증기 모두에서 성능이 향상됨을 입증하였으며, 최대 34% 더 많은 인스턴스가 충족 불가능(unsatisfiable)함을 증명했습니다.

arXiv:2607.28954v1cs.LG

신경망 검증을 위한 판정 경계 마이닝

Mining Verdict Boundaries for Neural Network Verification

분기 한정법(Branch and Bound, BaB)은 문제를 적응적으로 분할하고 하위 문제에 기존 검증기를 적용하여 신경망의 완전 검증(complete verification)을 달성하는 것을 목표로 한다. 문제 분할 이력은 트리로 표현될 수 있으며, 각 하위 문제는 자식 노드에 대응한다. BaB의 핵심 문제는 검증된 하위 문제와 검증되지 않은 하위 문제를 나누는 모든 경로에 걸쳐 판정 경계(verdict boundary)를 탐색하는 데 있다. 우리는 기존 BaB 접근법이 깊이가 깊어짐에 따라 트리 경로를 따라 비용이 많이 드는 각 하위 문제를 순차적으로 해결함으로써, 방문하는 모든 BaB 트리 노드(즉, 하위 문제)에서 비용이 큰 경계 전파(bounds propagation)를 요구하여 비효율적임을 관찰했다. 이러한 문제를 해결하기 위해, 우리는 고전적 접근 방식처럼 활성화 함수를 한 번에 하나씩 처리하는 대신 여러 활성화 함수(예: 렐루(ReLU))를 동시에 분할하여 각 경로의 단조성을 활용함으로써 판정 경계를 효율적이고 정밀하게 찾아내는 효과적인 탐색 기법들을 제안한다. 우리의 접근 방식은 각 경로를 따라 효과적인 지수 탐색(exponential search)을 수행하여, 판정 경계를 식별할 때 경계와 무관한 많은 하위 문제를 건너뛸 수 있도록 한다. 개선된 버전은 하위 문제 해결 과정에서 얻은 정량적 정보를 활용해 경계 위치를 추정함으로써 이 과정을 더욱 향상시킨다. 우리는 제안된 기법을 평가하기 위해 널리 사용되는 벤치마크에서 실험적 평가를 수행하고, 이를 최근의 BaB 기반 접근법들과 비교한다.

arXiv:2607.28778v1cs.LO

RDF 규칙에서의 층화 부정: 올바른 접근법 (확장판)

Stratified Negation in RDF Rules: A Correct Approach (Extended Version)

N3나 SHACL Rules와 같은 RDF 규칙 언어를 기본 부정(default negation)과 결합하는 것은 까다로운 과제입니다. 개별 트리플(triple)은 잠재적 의존성을 유의미하게 제한할 만큼 충분한 정보를 담고 있지 않기 때문에, 부정을 층화(stratify)하는 기존 방식들은 RDF 규칙에서 실패하는 경우가 많습니다. 또한 규칙 헤드(head)에 존재하는 블랭크 노드(blank node)는 규칙 적용 순서에 따라 새로운 값의 생성 여부가 결정되고, 이것이 다시 부정을 포함한 규칙의 적용 가능성을 바꿀 수 있어 문제를 더욱 복잡하게 만듭니다. 이러한 미해결 과제를 해결하기 위해, 본 논문에서는 부정을 포함하는 RDF 규칙 및 일반적인 존재론적 규칙(existential rules)에 대해 올바르게 동작하는 의미론(well-behaved semantics)을 보장하는 강력한 새로운 조건인 체인 층화(chain stratification)를 제안합니다. 이 조건은 잠재적인 다단계 유도 과정에 대한 정교한 분석과, 불가능한 경우를 배제하기 위해 무결성 제약 조건(integrity constraints)을 활용하는 메커니즘을 결합합니다. 체인 층화를 준수하는 순서로 규칙을 적용하면 일반적인 실패에 의한 부정(negation-as-failure) 의미론 하에서 유일(unique)하고, 린(lean)하며, 정당화(justified)된 RDF 그래프를 도출할 수 있음이 보장됩니다. 아울러 실용성을 입증하기 위해 프로토타입 구현체도 함께 제공합니다.