대수적 통계 모델(algebraic statistical model)이 주어졌을 때, 가능도 함수(likelihood function)의 양의 임계점(positive critical point) 개수에 따라 데이터를 분류하는 것은 까다로운 문제입니다. 양의 임계점은 대수 방정식계, 즉 가능도 방정식의 양의 해입니다. 따라서 양의 임계점 개수를 식별하는 것은 가능도 방정식에 대한 실근 분류(real root classification) 문제입니다. 가능도 방정식계의 판별 다양체(discriminant variety)는 실근의 개수가 특이해지는 데이터를 기하학적으로 설명합니다. 판별 다양체의 필수 구성 요소로서, 비고유성 집합(nonproperness set)은 가능도 방정식계가 무한대에서 해를 갖게 되는 데이터를 모은 것입니다. 따라서 데이터가 비고유성 집합을 지날 때 실근의 개수가 변하며, 비고유성 집합을 식별하는 것은 실근 분류에서 결정적인 역할을 합니다. 본 연구에서는 가능도 방정식계의 비고유성 집합을 계산하는 새로운 방법을 개발합니다. 또한 이 방법의 정확성을 증명합니다. 실험을 통해 제안하는 방법이 기존 문헌에 알려진 방법들보다 훨씬 더 효율적임을 보입니다.
ARC-AGI-3는 추상화를 기술 습득(skill acquisition)의 상호작용형 문제로 전환합니다. 플레이어는 모든 행동이 평가에 반영되므로 행동 효율성을 유지하면서 익숙하지 않은 게임의 규칙, 은닉 상태, 목표를 추론(inference)해야 합니다. 본 연구에서는 이러한 환경을 매개변수화된 렌더링 결정론적 무어 머신(Moore machine)으로 정식화하고, 상호작용 중에 게임별 모델(model)을 구축하고 활용하는 코딩 에이전트(agent) 시스템인 Tycho를 소개합니다. Tycho는 실행 가능한 관측을 중간 애니메이션, 레벨 완료, 게임 오버 프레임과 분리합니다. 에이전트는 이러한 구조화된 이력을 바탕으로 자유 형식의 실행 가능한 가설을 모델링, 테스트, 계획 수립에 활용, 수정하거나 우회할 수 있습니다. 정책별로 일치된 단일 공개 세트 실행 환경에서, 일치된 추론 예산 하에 Claude Opus 4.8을 사용하여 25개 공개 게임 전체에 걸쳐 네 가지 조율 정책을 비교합니다. 모델 빌더에 액터가 위임을 요청하는 방식이 가장 높은 관측 평균 상대적 인간 행동 효율성(RHAE)인 88.49를 달성했습니다. 이 선정된 정책을 통해 GPT-5.6 Sol과 Opus 5는 모두 100.00 RHAE에 도달하고 183개 레벨 전체를 완료했습니다. 두 모델의 게임 균형 첫 실행 인간 리플레이 중간 순위(midrank)는 각각 98.5와 100.0입니다. Opus 5는 공식 인간 기준치 종합 대비 61% 적은 수의 평가 대상 행동을 사용합니다. 검증 실패 후 자동 수정을 거치면 관측된 상태 전이를 훨씬 더 정확하게 재현하는 모델이 생성되지만, RHAE는 83.07에 그칩니다. 상태 전이 일치는 시뮬레이터가 관측된 동역학을 재현하는지 여부를 나타낼 뿐, 목표를 파악했거나 다음 행동을 개선하는지를 의미하지는 않습니다. 뛰어난 플레이를 위해서는 모델을 구축, 수정, 활용하거나 우회할 시점을 결정하는 것 역시 필요합니다. 본 연구에서는 이 결합 문제를 비용이 수반되는 상호작용으로부터 테스트 가능한 모델을 생성하고, 모델을 획득하거나 사용하는 것이 해당 비용만큼의 가치가 있는지를 결정하는 '능동적 추상화(active abstraction)'라고 부릅니다.
본 논문은 값이 지연 몫 쌍 (N, D)으로 표현되고, 그 비율이 지정된 물질화(materialization) 경계에서 지연 평가되는 계산 기질인 몫 트리 산술(QTA, Quotient Tree Arithmetic)을 소개한다. 이 프레임워크는 모든 영역에 적용된다. 정확한 정수 컨테이너로 사용되는 IEEE 754 double은 2^53 정확도 윈도우 내에서 정확한 유리수 산술을 제공하고, 임의의 IEEE double은 exp(x) 및 sqrt(x)와 같은 머신러닝 활성화 함수를 포함한 초월함수 값까지 범위를 확장한다. QTA를 뒷받침하는 세 가지 구조적 정리가 있다. (1) 유계 깊이 증가: 각 산술 연산은 트리 깊이를 최대 1만큼 증가시켜, m번의 연산 후 트리 크기가 O(m)이 되며 조합적 폭발이 없다. (2) 교차-부트리 취소: 분자와 분모 위치 모두에 나타나는 부트리는 산술 없이 참조 동일성(reference identity)을 통해 상쇄되며, 한 번 계산되어 공유되는 초월함수 값도 포함된다. (3) 지연 안정성: 물질화 경계에서의 단일 IEEE 나눗셈은 최대 반 ULP(단위 마지막 자리)의 반올림 오차만 도입하는 반면, 즉시(eager) 평가는 O(m) ULP를 유발한다. 머신러닝 학습에 QTA는 다음을 제공한다. 그래디언트가 0으로 언더플로우되는 것의 구조적 방지; 중간 활성화가 참조적으로 동일할 때 연쇄 법칙 테이프 붕괴(chain-rule tape collapse)를 통한 O(1) 비용 그래디언트 계산; B개 예제 배치에 대해 L개 레이어를 통과할 때 방향성 비순환 그래프(DAG) 저장을 O(BLd)에서 O(L+Bd)로 줄이는 공유 가중치 배치 압축; 그리고 분모가 알려진 경우 O(log n) GCD(최대공약수)를 O(1) 시행 나눗셈으로 대체하는 추적 인수 취소. SIMD 병렬 유리수 쌍 축소를 위한 벡터화 하드웨어 정규화(normalization) 명령어 RatCleanup을 제안한다. 대수적 기반은 환(ring)을 그 곱집합(multiplicative set)에서 국소화(localization)하는 것으로, QTA를 대수 구조 이론과 연결하면서 하드웨어 네이티브 IEEE 산술에 기반을 둔다.
사고의 연쇄(CoT) 프롬프팅은 대규모 언어 모델(LLM)이 다단계 추론 과제를 수행할 수 있게 하지만, 생성된 중간 단계가 논리적으로 타당하다는 보장은 없다. 우리는 추론 trace로부터 관계 합성 규칙을 학습하고 이를 단계 수준 보정을 위한 온라인 검증기로 배포하는 귀납 논리 프로그래밍(ILP) 기반의 신경-기호(neurosymbolic) 프레임워크인 Reason Popper-ly를 제안한다. LLM이 생성한 trace가 주어지면, 이 방법은 학습된 규칙 테이블에 대해 각 추론 단계를 검사하고, 위반 유형을 진단하며, 기호적으로 도출된 수정으로 잘못된 단계를 다시 쓰고, 검증된 trace를 조건으로 모델이 최종 답을 생성할 수 있도록 나머지 접미사(suffix)를 재생성한다. 우리는 다중 홉(multi-hop) 친족 관계 추론 벤치마크인 CLUTRR에서 2~10홉(hop) 추론 chain에 대해 5개 언어 모델을 사용하여 평가한다. 모든 모델에서 Reason Popper-ly는 표준 CoT 대비 최종 정확도(terminal accuracy)를 일관되게 향상시키며, 가장 긴 chain에서는 소형 모델에서 최대 48%p, 최첨단(frontier) 모델에서 15%p의 개선을 보인다. 완전히 외생적인(exogenous) 기호 파이프라인과 비교할 때, 우리 방법은 모델의 성공적인 그라운딩(grounding)을 유지하면서 검증 가능한 추론 실패만 수정함으로써 더 어려운 인스턴스에서 더 나은 성능을 보인다. 또한, 단계 수준 ILP 검증은 최종 답 정확도를 넘어선 진단적 통찰을 제공하는 세밀한 오류 분류체계(fine-grained error taxonomy)를 산출한다.
형식 모델은 도달 가능성 검증, 장애 위치 파악, 또는 변경의 영향 범위(blast radius) 예측을 가능하게 한다. 그러나 형식 모델을 손으로 작성하려면 드문 전문성이 필요하고 네트워크가 자주 변경되면서 최신 상태를 유지하기 어렵기 때문에, 실제 운영 네트워크 중 형식 모델을 갖춘 경우는 사실상 없다. 핵심적으로 네트워크 모델링은 타이포그래피적(typographical) 작업이다. 즉, 네트워크 산출물(예: 구성, 토폴로지, 라우팅 상태)을 형식 논리의 규칙으로 번역하는 것이다. 이러한 종류의 번역은 오늘날 대규모 언어 모델(LLM)이 잘 수행하는 영역이다. 자유 형식의 AI 추론과 달리, 이러한 번역은 형식적으로 검증할 수 있다. 모델링이 더 이상 병목이 아니게 되면, 대규모·복잡한 네트워크에 대해 AI에게 추론을 맡기는 것은 더 이상 타당하지 않다. 따라서 본 논문의 입장은 자율 AI 에이전트를 end-to-end로 총괄하게 두려는 주류 흐름과 정면으로 대립한다. 우리는 대신 AI를 번역에 한정하고, 신뢰할 수 있는 장기 추론(long-horizon reasoning)을 위해 솔버(solver)에 의존하며, 일반적인 네트워크 동작에 대한 재사용 가능한 형식 모델을 구축한 뒤 이를 특정 작업(예: 근본 원인 분석(RCA))에 맞게 특화한다. 우리는 네트워크 고유의 산출물로부터 에뮬레이션된 운영 규모 WAN의 기호 모델을 구축하고 검증하는 TypoNet을 개발한다. 예비 평가에서 TypoNet은 두 가지 방식으로 도움이 됨을 보여준다. 단독으로 사용할 때 TypoNet은 운영 질문(예: 도달 가능성 검증, 변경 영향 분석)에 LLM보다 더 빠르고, 더 저렴하며, 더 신뢰성 있게 답한다. AI 에이전트의 도구로서 TypoNet은 더 낮은 비용으로 장애 위치 파악(fault localization) 성능을 향상시킨다. 그 결과는 검증 가능한 네트워크 모델을 구축하고 신뢰할 수 있는 장기 추론을 위해 솔버에 의존하는 AI의 필요성을 뒷받침한다.
귀납 논리 프로그래밍(Inductive Logic Programming, ILP)은 1990년대 논리 프로그래밍(Logic Programming) 커뮤니티에서 시작되었으며, 기호 학습(symbolic learning)과 선언적 지식 표현(declarative knowledge representation)을 결합하는 프레임워크로 등장했다. 오늘날 성숙한 ILP 프레임워크가 존재하며, 복잡한 비단조(non-monotonic) 가설을 학습할 수 있어 ILP의 모델링 역량과 실세계 응용 범위를 모두 넓히고 있다. 본 연구는 주로 FastLAS2 프레임워크를 기반으로 하며, 이탈리아 프리울리 베네치아 줄리아(Friuli Venezia-Giulia) 지역의 지역 기상 관측소인 OSMER FVG가 발표하는 기상 속보를 명확히 하는 데 도움이 되는 단순하고 해석 가능한(interpretable) 가설을 생성하는 것을 목표로 한다. 본 논문에서는 시뮬레이션된 기상 원시 데이터와 정답(ground truth)으로 사용된 OSMER의 속보를 출발점으로, 데이터를 ASP 팩트로 추출하고 ILP 예제를 생성하는 파이프라인을 제시한다. 이러한 예제로부터 FastLAS2를 통해 설명적 가설이 추론된다. 이러한 가설(자연어로 번역됨)은 인간 전문가가 발표한 기상 예보를 설명하며, 특히 속보 픽토그램(예보의 기호가 표기된 기상 지도)에서 전문가가 특정 기호를 선택한 근거를 설명한다. 제안된 접근법은 일반적이며 특정 지역에 국한되지 않아, 다른 출처의 속보와 다른 지역에도 동일하게 적용할 수 있다.
관측 데이터로부터 지배 미분방정식을 발견하는 것은 과학적 머신러닝의 근본적인 과제이다. 기존 기호 회귀(symbolic regression) 접근법은 주로 정량적 지표에 의존하지만, 실세계 미분방정식 모델링에서는 물리적 타당성을 보장하기 위해 도메인 지식을 통합하는 것도 필요하다. 이 격차를 해소하기 위해, 우리는 LLM 기반 정성·정량 평가를 통해 상미분방정식을 발견하는 방법인 DoLQ를 제안한다. DoLQ는 다중 에이전트 아키텍처를 사용한다: Sampler 에이전트는 동역학 시스템 후보를 제안하고, 매개변수 옵티마이저는 정확도를 위해 방정식을 정제하며, Scientist 에이전트는 LLM을 활용해 정성적·정량적 평가를 모두 수행하고 그 결과를 종합하여 탐색을 반복적으로 안내한다. 다차원 상미분방정식 벤치마크 실험에서 DoLQ는 기존 방법 대비 우수한 성능을 보였으며, 더 높은 성공률뿐만 아니라 정답(ground truth) 방정식의 올바른 기호 항을 더 정확히 복원한다. 코드는 https://github.com/Bon99yun/DoLQ에서 제공된다.
자연계 및 인공 시스템을 이해하는 데는 종종 미분방정식과 같은 기호적 표현에 의존하며, 이는 블랙박스 모델을 넘어 해석 가능성과 전이 가능성을 제공한다. 우리는 데이터로부터 상미분방정식(ODE)을 발견하기 위한 신경-기호 생성 프레임워크인 Latent Grammar Flow(LGF)를 제안한다. LGF는 방정식을 문법 기반 표현으로 이산 잠재 공간에 임베딩하고, 행동 손실(behavioural loss)을 통해 의미적으로 유사한 방정식이 서로 가깝게 배치되도록 한다. 그런 다음, 이산 흐름 모델이 샘플링 과정을 안내하여 관측 데이터에 가장 잘 맞는 후보 방정식을 재귀적으로 생성한다. 안정성과 같은 도메인 지식과 제약은 규칙에 내재화하거나 조건부 예측기로 사용할 수 있다.
수학적 추론은 멀티모달 대규모 언어 모델(MLLM)의 급속한 발전으로 상당한 진전을 이루었으나, 해석 기하학은 주로 주석된 샘플의 부족으로 인해 여전히 많은 부분이 탐구되지 않은 상태로 남아 있다. 기존의 다이어그램 생성 접근법은 해석 기하학에서 어려움을 겪는다: 템플릿 기반 방법은 제약 조건 기반 레이아웃을 다룰 수 없고, 생성 모델은 주석이 달린 원뿔곡선을 정확하게 렌더링할 데 필요한 기하학적 정밀도가 부족하다. 우리는 멀티모달 해석 기하학 문제의 완전 자동 생성을 위한 확장 가능한 프레임워크인 FormalAnalyticGeo를 제시한다. 형식 언어의 엄밀함을 활용하여, 우리는 프레임워크를 CDL(Condition Description Language, 조건 기술 언어)을 중심으로 설계한다. CDL은 Signed Distance Field(SDF) 엔진을 통해 자유 형식의 문제 텍스트와 정밀한 다이어그램 렌더링을 연결하는 형식적 중간 표현이다. 이 프레임워크는 순차적으로 네 가지 특화된 LLM 구성 요소를 사용한다: 다양한 해석 기하학 문제를 생성하는 Generator, 각 문제를 SDF 기반 렌더링을 위해 CDL로 변환하는 Formalizer, 렌더링된 다이어그램에 대한 비전 기반 측정을 통해 정답(ground truth)을 추출하는 Measurer, 그리고 세 단계에서 출력을 검증하는 Quality Verifier. Quality Verifier의 구조화된 피드백이 자동 재시도를 유도하여, 인간 주석이 전혀 필요 없는 폐쇄 루프를 형성한다. FormalAnalyticGeo를 대규모로 적용하면 AnalyticGeo7K가 생성되며, 이는 각각 텍스트, 다이어그램, 형식적 주석, 정답이 정렬된 7K개 이상의 검증된 멀티모달 문제로 구성된 데이터셋이다. 실험 결과, 생성된 문제들은 정답 기준 중앙 상대 오차 0.70%를 달성하며, 답의 82.3%가 정확한 기호 해(symbolic solution)의 5% 이내에 들어선다. 우리의 프레임워크와 데이터셋은 공개될 예정이다.
생성형 AI는 대화 시스템의 핵심 기술을 근본적으로 변화시키며, 컴포넌트 기반 방식에서 엔드투엔드 방식으로의 전환을 이끌고 있다. 그러나 대규모 언어 모델(LLM)은 여전히 비일관성을 생성할 수 있으며, 이는 특히 작업 지향 대화(TOD)에서 심각한 문제가 된다. TOD에서는 시스템 응답이 도메인 지식 베이스(예: 도시 내 식당 정보)의 정보를 엄격히 준수해야 하기 때문이다. 단 하나의 환각(예: 존재하지 않는 식당을 추천하는 것)도 심각한 작업 실패로 이어질 수 있다. 우리는 TOD를 제약 만족 문제(CSP)로 개념화하여 비일관성을 자동으로 탐지하는 방법을 연구한다. 이 접근법에서 변수는 대화 도메인을 참조하는 대화 세그먼트를 나타내고, 변수 간의 제약 조건은 턴 일관성 및 도메인 지식 준수와 같은 대화 속성을 포착한다. 우리는 대상 대화에서 변수를 먼저 식별한 후 CSP 솔버를 적용하여 유효한 해를 찾는 파이프라인을 제안한다. 대상 대화와 유효한 변수 할당을 비교함으로써 비일관성을 탐지하고 대화 일관성을 보장하기 위한 최소한의 변경 사항을 제안할 수 있다. 우리는 비일관성 탐지에서 CSP 기반 접근법의 높은 정확도를 입증하고, 연구 결과에 대한 상세한 분석을 제공한다.
조합적 일반화(compositional generalization)는 알려진 구성 요소의 새로운 조합을 이해하고 생성하는 능력으로, 현대 인공지능에 있어 근본적인 도전 과제로 남아 있다. 기존 벤치마크는 소수에 불과하며, 대부분 언어적 과제에 초점을 맞추고 있어 복잡하고 명시적인 조합 구조가 부족하다. 우리는 에이전트의 문제 해결 전략 학습 및 조합 능력을 평가하기 위해 설계된 새로운 벤치마크 스위트인 ClassicLogic을 소개한다. 이 벤치마크는 스도쿠(Sudoku), 켄켄(KenKen), 카쿠로(Kakuro), 후토시키(Futoshiki)의 네 가지 고전 논리 퍼즐로 구성된다. 핵심 혁신은 각 게임에 대한 계층적이고 명시적인 지식 베이스로, 복잡한 풀이 전략이 더 단순하고 기초적인 전략들의 조합으로 형식적으로 정의된다. 이 구조는 기본 규칙 학습부터 수학적으로 검증된 난이도가 점진적으로 증가하는 퍼즐을 풀기 위한 다단계 조합 전략 적용에 이르기까지, 에이전트의 추론 능력에 대한 세밀한 평가를 가능하게 한다. 오픈소스로 제공되는 이 벤치마크는 신경-기호(neuro-symbolic) 및 기타 고급 AI 추론 시스템의 발전을 위한 도전적인 새 테스트베드를 제공한다.
AI 추론은 대규모 언어 모델(LLM)의 성공에 힘입어 현대 인공지능의 핵심 연구 주제로 부상하였다. 그러나 수학 연구는 비선형적인 유도 경로, 엄밀한 논리적 요구사항, 그리고 장기간의 탐험 주기를 특징으로 하기 때문에 기존 추론 시스템에 심각한 도전을 제기한다. 이러한 한계를 극복하기 위해 본 논문에서는 수학 연구의 전 주기에 걸쳐 코파일럿 역할을 수행하도록 설계된 LLM 기반 에이전트인 MechMath Agent Team(MMAT)을 제안한다. 우리는 시스템 책임을 제어(Control), 실행(Execution), 증강(Augmentation) 플레인으로 분리하는 삼중 Harness 아키텍처를 설계함으로써, 엄밀한 논리적 제어와 개방형 연구가 요구하는 민첩성을 조화롭게 결합하였다. 이 프레임워크를 기반으로 지식 베이스 관리자(Knowledge Base Manager), 자연어 증명기(Natural Language Prover), 형식 언어 증명기(Formal Language Prover)의 세 가지 전문 에이전트를 구현하였으며, 이들은 폐쇄 루프 내에서 협력하여 형식적으로 인증된 수학적 증명을 생성한다. MMAT을 정수론, 대수적 복잡도 이론, 미분 대수, 작용소 대수, 부등식 분야의 미해결 문제들에 대해 평가하였다. 두 달간의 배포 기간 동안 11개의 문제가 해결되어, 전체 연구 주기에 걸친 코파일럿으로서의 역량이 입증되었다. 본 연구의 기여는 세 가지로 요약된다: 다중 에이전트 수학적 추론을 위한 범용 분리형 Harness 아키텍처, MMAT 시스템에서의 구체적인 구현, 그리고 다양한 미해결 문제들에 대한 실증적 검증.
과학적 방정식 발견은 광범위한 도메인 사전 지식과 엄격한 수치 검증을 결합해야 한다. 기호 회귀(symbolic regression)는 수치적 근거를 제공하지만 조합론적 탐색 공간에 직면하는 반면, 많은 언어 모델 시스템은 모델이 수식을 직접 제안하거나 선택하도록 요청한다. 우리는 다른 역할 분담 방식을 검토한다. 우리는 언어 모델이 방정식 작성자, 후보 결정자, 또는 탐색 제어기 역할을 수행하는 역할 명세를, 종단간(end-to-end) 언어 모델 및 순수 수치 기준선과 함께 비교한다. 여기서 제안하는 제어기 설정인 LLM-PySR에서, 언어 모델은 변수, 연산자, 변환 및 탐색 깊이를 지정하고, 기호 회귀는 표현식을 열거하고 적합시키며, 결정론적 지표가 보존 여부를 결정한다. 74개의 AI-Feynman 방정식과 7개의 복잡한 수식 복원 태스크에 걸쳐, 탐색 제어는 정확도, 복잡도, 안정성 및 비용의 균형에서 가장 강한 성과를 달성했다. 독립적인 배터리 데이터셋에서, LLM-PySR은 초기 전압 곡선 변위와 사이클 수명 사이의 간결한 구간선형(piecewise-linear) 관계를 식별했다. 이 결과는 언어 모델이 어떤 방정식이 살아남을지 결정하는 것보다 가설 탐험을 형성해야 함을 시사한다.
심볼릭 회귀(Symbolic Regression, SR)는 닫힌 형태의 물리 법칙을 학습하는 AI 기반 과학적 발견 분야에서 최근 주목받고 있다. 그러나 기존 방법들은 대부분 휴리스틱 탐색이나 데이터 집약적 접근 방식에 의존하며, 저잡음 환경을 가정하는 경우가 많고 원칙적인 불확실성 정량화가 부재하다. 또한 완전한 확률론적 SR 공식화는 여전히 드물다. 우리는 변분 추론(variational inference)에 기반한 SR의 확장 가능한 확률론적 프레임워크인 VaSST를 제안한다. VaSST는 소프트 심볼릭 트리(soft symbolic trees)를 사용하는데, 이는 심볼릭 표현 트리의 연속적 완화(continuous relaxation)로서 이산적인 연산자 및 특징(feature) 할당을 허용 가능한 구성 요소에 대한 확률 분포로 대체한다. 이를 통해 천문학적으로 광대한 표현 공간에 대한 조합론적 심볼릭 탐색을 효율적인 그래디언트(gradient) 기반 최적화로 변환하면서도 일관된 확률론적 해석을 유지한다. 학습된 소프트 표현은 심볼릭 구조에 대한 사후 분포를 유도하며, 사후 인식 심볼릭 모델(model) 선택을 통해 그럴듯한 심볼릭 형태 전반에 걸친 불확실성 정량화를 가능하게 한다. 시뮬레이션 실험과 Feynman Symbolic Regression Database에서 VaSST는 최신 SR 방법들과 비교하여 강력한 구조적 복원력과 예측 정확도를 달성한다.
PolicyGuard는 조직별 정책 문서를 타입화된 관계형 논리 규칙과 원자 단위 추출 질문으로 구성된 실행 가능한 검토 엔진으로 변환하는 뉴로-심볼릭(neuro-symbolic) 프레임워크로, 대규모 언어 모델(LLM)이 문서에서 로컬 사실을 추출하고 심볼릭 평가기가 규칙을 적용해 준수 여부를 판정하는 방식으로 NDA 검토 태스크에서 기존 Direct Prompting 및 Chain-of-Thought 방식 대비 평균 정확도 93.4%, F1 73.7%를 달성했다.
Multi-layer MeMo의 명시적 상관 행렬 메모리(CMM) 위에서 지식 변화를 전체 재학습 대신 메모리 편집으로 처리하기 위해, replace·rollback·trace 등 버전 인식(version-aware) 연산을 기억·망각 원시 호출의 순서화된 트랜잭션으로 컴파일하는 계층을 제안한다. 버전 전환을 트랜잭션 핸들에 매핑하는 V-CMM과 실행 가능한 변경 내용·역프로그램을 저장하는 T-CMM을 도입해 시퀀스 수준 및 구조화 diff 수준 갱신을 지원한다.
EML(Exp-Minus-Log) 함수를 트리로 조합한 EML 트리가 Sobolev 공간 W^{k,∞}에서 보편 근사 성질을 갖음을 다항식 표현을 모방하는 명시적 구성과 고전적 신경망 근사 논증으로 증명한다. 적합 파라미터를 갖춘 EML형 트리 학습 알고리즘을 제안하고 실용적 최적화 문제에서 실행 가능성을 보여, 함수 근사를 위한 이론적 프레임워크로 정당화한다.
현재 논리적 오류 탐지에서 대규모 언어 모델(LLM)에 대한 평가는 예측 레이블에 초점을 맞추지만, 모델이 제공하는 추론이 그 레이블을 뒷받침하는지는 확립하지 않는다. 우리는 LLM이 생성한 설명을 Lean4로 번역하고, 원본 자연어 논증의 논리적 타당성이 아니라 인코딩된 전제 하에서 번역된 근거가 도출 가능한지를 검증하는 프레임워크인 ForEx(Formal Verification for Explainable Reasoning, 설명 가능한 추론을 위한 형식 검증)를 제안한다. 예측 결과와 뒷받침 추론의 형식적 상태를 구분하기 위해, 레이블 일치와 형식 검증 상태를 분리하는 LLM Argument Verification Matrix를 도입한다. LOGIC-Climate에 대한 실험 결과, LLM 출력의 90% 이상이 검증을 통과하는 형식적 추론 연쇄로 번역될 수 있는 반면, 인간 주석과의 일치는 약 20%에 머문다. 이러한 결과는 형식적 도출 가능성과 레이블 일치 사이에 체계적인 격차가 있음을 드러내며, 이는 예측 기반 지표로는 드러나지 않는 구분이다. ForEx는 LLM 평가를 레이블 정확성을 넘어 형식화된 추론 연쇄의 기계 검증 가능한 분석으로 확장한다.
비전-언어 모델(VLM)은 공간 추론이 기준 좌표계에 따라 의미가 달라지는 관계들을 조합해야 할 때 여전히 신뢰할 수 없다. 기존 신경-심볼릭(neuro-symbolic) 방법은 추론을 더 명시적으로 만들지만, 종종 불안정한 기하학적 절차와 노이즈가 많은 지각(perception)에 대한 경성(hard) 결정에 의존한다. 우리는 관점 인식(perspective-aware) 구성적(compositional) 공간 추론을 위한 신경-심볼릭 프레임워크인 SATURN을 제안한다. SATURN은 근사 3D 장면을 재구성하고, 소프트(soft) 관점 인식 공간 술어(predicates)를 도출한 뒤, 학습 없는(training-free) Pythonic 심볼릭 실행기(symbolic executor)로 이를 조합하여, 다중 홉(multi-hop) 추론을 통해 불확실성을 보존하면서 지각과 추론을 분리한다. 또한 공간 배치 그라운딩(SAG)과 지시 표현 그라운딩(REF)에 걸쳐 추론 깊이, 시점(view), 관점 구성을 제어하는 진단 벤치마크인 3D FORCE를 도입한다. 3D FORCE에서 VLM과 공간적으로 학습된 모델은 깊이와 관점 복잡도가 증가할수록 급격히 성능이 저하되는 반면, SATURN은 안정적으로 유지되며 강력한 기준선들을 능가한다. 실세계 벤치마크 MindCube에서 SATURN은 78.57%의 전체 정확도를 달성하여, 가장 강력한 기준선보다 14%p 높다.
고전적인 근사 정리들은 목표 정확도가 향상될 때마다 새로운 신경망을 요구합니다. 본 논문은 그 반대 가능성을 연구합니다: 신경망을 한 번 선택해두고, 더 오래 실행함으로써만 정확도를 얻을 수 있는가? 우리는 [-1,1] 상의 모든 연속 함수에 대해 이것이 가능함을 증명합니다. 더 정확히 말하면, 각 함수는 고정된 가중치와 고정된 은닉 차원을 가진 단일 렐루(ReLU) 순환 신경망의 시간 진화에 의해 균일하게 근사됩니다. 이 구성의 배경에 있는 메커니즘은 신경 유닛을 갖춘 튜링 머신(Turing machine with neural units, TMNU)이라는 새로운 중간 모델입니다. 이 모델은 다항식 근사 방식을 구현하는 데 필요한 알고리즘적 자유를 유지하면서도, 은닉 차원과 가중치 크기에 대한 명시적인 상한을 가진 순환 신경망에 의해 시뮬레이션될 수 있을 만큼 충분히 엄격합니다. 그 결과로 나오는 수렴 속도는 기저의 다항식 근사 속도를 반영합니다. 우리는 이 구성을 미니맥스 하한(minimax lower bounds)으로 보완하며, 이는 런타임이 단순한 증명의 산물이 아니라 고정된 신경망 근사 패러다임에서 피할 수 없는 자원임을 보여줍니다.