PyTorchKR Papers

최신 논문

총 1,251편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.23019v1cs.AI

Reason Popper-ly: 귀납 논리 프로그래밍으로 문맥 내 추론 패치하기

Reason Popper-ly: Patching In-Context Reasoning with Inductive Logic Programming

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.

arXiv:2607.22679v1cs.AI

DOSA: 장문서 구조 분석을 위한 트리 기반 자기회귀 프레임워크

DOSA: A Tree-Guided, Self-Regressive Framework for Long Document Structure Analysis

시각적으로 풍부한 문서에서는 정보가 표, 헤더, 텍스트 블록과 같은 개별 페이지 객체에만 인코딩되는 것이 아니라, 그들 간의 구조적 관계에도 인코딩되어 있어, 문서 구조 분석은 정보 검색 및 문서 이해의 기초가 된다. 그러나 장거리 의존성과 이질적인 레이아웃을 갖는 다중 페이지 문서에서는 이러한 관계를 정확히 추론하는 것은 여전히 어렵다. 이를 해결하기 위해, 페이지 객체 간의 관계를 추론하고 문서 수준의 의미 트리를 재구성하기 위한 트리 기반 자기회귀 프레임워크인 DOcument Structure Analyzer(DOSA)를 제안한다. DOSA는 문서를 청크 단위로 처리하며, 각 페이지 객체에 대해 시각적, 텍스트, 레이아웃 특징을 융합하고 계층적 관계 및 순서 관계를 예측한다. 예측된 관계는 의미 트리를 점진적으로 구성하는 데 사용되며, 이는 이후 청크에 대한 추론을 안내하는 구조적 컨텍스트로 활용된다. 5개 벤치마크에 대한 실험 결과는 DOSA의 효과를 보여주며, 가장 도전적인 다중 페이지 계층 벤치마크인 DocHieNet에서 F1 4점, TEDS 19점까지 향상되었다.

arXiv:2606.27347v3cs.CL

다국어 공동 개체-관계 추출 파이프라인을 통한 유럽 정치 엘리트 네트워크 매핑

Mapping Political-Elite Networks in Europe with a Multilingual Joint Entity-Relation Extraction Pipeline

대규모 비정형 뉴스 코퍼스에서 정치 엘리트의 비공식·적대적 관계를 추출하기 위해, 스팬 기반 개체명 인식(NER), Wikidata 3단계 연결, 온톨로지 제약 전문가 혼합(MoE) 모델의 가이드 디코딩을 결합한 완전 공개 가중치 다국어 공동 개체-관계 추출 파이프라인을 제안한다. 3,491개 관계 골드 스탠다드 전수 점검에서 엄격 기준 68.2%·완화 기준 93.7%의 텍스트 정확도를 보였고, 오스트리아 정당 생애주기와 폴란드 PO–PiS 갈등·국영기업 후원 네트워크 재구성으로 공식 기록과의 일치를 검증했다.

arXiv:2508.12393v3cs.CL

MedKGent: 시간에 따라 진화하는 의료 지식 그래프 구축을 위한 대규모 언어 모델 에이전트 프레임워크

MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph

의료 문헌의 급속한 확장은 도메인 지식의 확장 가능한 구조화에 어려움을 준다. 지식 그래프(KG)는 해결책을 제공하지만, 현재의 구축 방법은 일반화 가능성이 부족하고 진화하는 지식의 시간적 역학을 무시한다. 이를 해결하기 위해, 시간에 따라 진화하는 의료 KG를 구축하기 위한 대규모 언어 모델(LLM) 에이전트 프레임워크인 MedKGent를 제안한다. 1975년부터 2023년까지 1천만 개 이상의 PubMed 초록을 사용하여, MedKGent는 두 개의 전문화된 에이전트를 통해 매일 KG를 점진적으로 구축한다. Extractor Agent는 지식 트리플을 식별하고 신뢰도 점수를 부여하며, Constructor Agent는 이러한 트리플을 시간적 그래프에 통합하여 반복되는 지식을 강화하고 충돌을 해결한다. 결과적으로 생성된 KG는 156,275개의 엔티티와 2,971,384개의 트리플을 포함하며, 우리가 아는 한 현재까지 가장 큰 LLM 기반 의료 KG이다. 자동화 평가와 전문가 평가 결과, 트리플 유효성 비율이 약 90%에 근접한 것으로 나타났다. 하류 평가에서 MedKGent-KG는 7개의 의료 질의응답 벤치마크에서 5개 LLM의 검색-증강 생성(RAG) 성능을 크게 향상시켰다. 종합하면, 이러한 결과는 MedKGent를 의료 지식 표현 및 문헌 기반 AI 연구를 위한 확장 가능하고 시간적 인식을 갖춘 인프라로 자리매김한다.

arXiv:2607.21680v1cs.LG

교량 진단 에이전트를 위한 보이지 않는 인과관계 인코딩: QLoRA 기반 트리플 가이드 검색-증강 미세조정

Encoding Invisible Causation for Bridge Diagnostic Agents: Triple-Guided Retrieval-Augmented Fine-Tuning with QLoRA

교량 인프라는 점진적으로 열화되지만, 염분 침투, 동결, 피로 균열 등 그 근본 원인은 육안으로는 확인하기 어렵다. 전문가 진단은 수년간의 실무를 통해 축적된 암묵적 지식에 의존한다. 우리는 이러한 잠재적 인과 추론을 자동화하는 과제를 해결하기 위해, 가시적 손상 설명 $S_i$로부터 10개 클래스의 손상 원인을 분류하는 Damage Cause Encoder를 제안하여 자율 교량 진단 에이전트에 활용한다. 우리의 접근법은 세 가지 구성 요소를 연결한다: (i) 지식 트리플 추출(Knowledge Triple Extraction)---대규모 언어 모델이 15--35개의 진단 PDF 매뉴얼에서 (damage $\xrightarrow{\mathtt{caused\_by}}$ cause) 형태의 인과 트리플을 추출하고 이를 FAISS 벡터 저장소에 색인한다; (ii) 검색-증강 컨텍스트(Retrieval-Augmented Context)---학습 및 추론 시점에 관련 인과 트리플 $\mathcal{C}_i$를 검색하여 $S_i$와 연결함으로써 암묵적 도메인 지식을 명시적 Encoder 컨텍스트로 변환한다; (iii) 체계적 미세조정 비교(Systematic Fine-tuning Comparison)---고정된 Golden Testset(층화된 116개 샘플)에서 LoRA, QLoRA, QA-LoRA를 엄격하게 비교하여, QLoRA가 최적의 절충점을 달성함을 보인다: 전 정밀도(full-precision) LoRA와 동일한 테스트 정확도(87.07%), 11% 더 빠른 추론, 72% 낮은 GPU 메모리, 그리고 다양한 미관측 입력에 대한 우수한 일반화. 통제된 Golden Testset---층화, 중복 제거, 난이도 태깅---을 재사용 가능한 벤치마크 기여로 제안한다. QLoRA는 10개 손상 원인 클래스 전체에 걸친 100개 샘플의 다양한 평가에서 LoRA보다 13%p 더 우수한 성능을 보인다. 이러한 결과는 엣지 배포를 위해 소비자급 하드웨어에서 메모리 효율적이고 고정확도의 진단 에이전트를 가능하게 한다.

arXiv:2607.21610v1cs.AI

SCOPE와 SCION: 텍스트로부터의 스키마 유도 및 융합을 위한 벤치마크와 감사 가능한 참조 파이프라인

SCOPE and SCION: A Benchmark and an Auditable Reference Pipeline for Schema Induction and Fusion from Text

스키마 그래프는 스키마 기반 정보 추출 및 지식 그래프 구축의 상류 병목이지만, 대부분의 추출 시스템은 스키마가 이미 제공된다고 가정한다. 우리는 원시 텍스트로부터 코퍼스-대-스키마 유도 및 선택적 스키마 융합을 위한 학습 텍스트 전용 벤치마크인 SCOPE(Schema Construction and Ontology-induction Pipeline Evaluation)를 소개한다. 이는 24개의 공개 정보 추출 소스(관계 추출(RE) 15개, 이벤트 추출(EE) 9개)로부터 구축되었으며, 평가 전용 골드 스키마 그래프로 정규화되었다. 핵심 이벤트 추출 대상은 이벤트 유형과 이벤트 내 인자 역할을 다루며, 이벤트 간 링크는 별도로 보고한다. 또한 우리는 새로운 추출 아키텍처가 아닌 감사 가능한 참조 파이프라인인 SCION(Schema Construction and Induction with Ontology Normalization)을 제시한다. SCION은 학습 텍스트로부터 후보 공간을 구성하고, 명명, 병합, 필터링, 검증, 보수적 융합을 엄격한 JSON 계약 하에서 후보 연결 증거로 제한한다. SCOPE 핵심 스위트에서 SCION-lite는 Literal, Fuzzy, Continuous, Graph 스키마-그래프 지표 하에서 공개된 소스-스키마 참조, Text2Onto 스타일, LLM 전용, 매칭된 추출-후-집계(extract-then-aggregate) 베이스라인 중 최고 F1을 달성하며, 소형 오픈 모델 변형인 SCION-RL은 독점 LLM 스키마 엔지니어에 대한 의존을 줄인다. 이러한 결과는 유도된 스키마가 인간의 온톨로지 설계를 능가한다는 주장이 아니라 정규화된 typed-edge 타겟에 대해 보고된 것이다. 공개 자료에는 증거 연결 출력, 파싱/폴백 로그, 후보 유지/병합 로그, 실행 매니페스트, 코드, 벤치마크 패키지가 https://github.com/wandugu/paper_scion 에 포함되어 있다.

arXiv:2607.20430v1cs.CL

LLM-INSTRUCT at UZH Shared Task 2026: 단락 수준 논증 마이닝을 위한 제약 인식 검색 및 선택적 토론

LLM-INSTRUCT at UZH Shared Task 2026: Constraint-Aware Retrieval and Selective Debate for Paragraph-Level Argument Mining

우리는 UN 및 UNESCO 결의문에서의 단락 수준 논증 마이닝을 다루는 ArgMining 2026 UZH Shared Task의 우승 시스템인 LLM-INSTRUCT를 제안한다. 이 과제는 최대 8B 파라미터의 오픈 가중치 모델만을 사용하여, 엄격한 JSON 스키마 설정 하에서 단락 유형 분류, 141개 공식 태그 중 일부의 예측, 그리고 방향성 관계 예측을 요구한다. 우리는 이 과제를 제약 기반 구조화 예측으로 프레이밍한다. 시스템은 먼저 메타데이터 인식 밀집 검색(dense retrieval)으로 후보 태그 공간을 축소한 다음, 차원별 상한이 있는 제약 디코딩(constrained decoding)을 적용하고, 불확실한 경우에만 3-에이전트 토론 분기로 에스컬레이션하며, 마지막으로 출력 스키마를 검증한다. 공식 리더보드에서 LLM-INSTRUCT는 전체 1위, F1 1위, LLM-as-a-Judge 5위를 기록했다. 개발 과정에서 구성 탐색을 통해 Task 1b Micro-F1을 35.83%에서 40.08%로 추가로 개선했으며, 내부 Task 2 점수는 4.421을 유지했다. 핵심 교훈은 간단하다: 생성 전에 결정 공간을 축소하면 정확도와 제출 견고성 모두가 향상된다. 코드와 지원 스크립트는 다음에서 공개되어 있다: https://github.com/LLM-Instruct-at-UZH-Shared-Task-2026/Method

arXiv:2607.19742v1cs.CR

사이버 위협 인텔리전스 보고서에서 도달 가능한 공격 체인을 추출하는 자동화 프레임워크

An Automated Framework for Extracting Reachable Attack Chains from Cyber Threat Intelligence Reports

사이버 위협 인텔리전스(Cyber Threat Intelligence, CTI) 보고서는 실제 공격 과정을 풍부하게 기술하지만, 비구조화된 서술은 자동화된 공격 경로 추론에 바로 활용할 수 없다. 기존 CTI 추출 방법은 지표, 엔티티, TTP 라벨에 초점을 맞추며 각 공격 단계의 실행 조건과 결과 상태를 모델링하지 않기 때문에, 추출된 지식은 상태 매칭이나 다단계 공격 체인에 걸친 도달 가능성(reachability) 분석을 지원하지 못한다. 본 논문은 각 공격 단계를 사전조건, 공격 행위, 사후조건으로 구성된 공격 단위로 모델링하여 도달 가능한 공격 체인을 추출하는 자동화 프레임워크를 제안한다. 대규모 언어 모델(LLM)이 보조하는 다단계 파이프라인은 공격 행위 골격을 추출하고, 이들의 사전조건과 사후조건을 복원하며, 이를 사전 정의된 술어(predicate)로 정규화하고, 끊어진 의존성을 복구한다. 그 결과 생성된 단위는 공격 목표 도달 가능성 추론을 위해 Datalog 스타일 규칙으로 컴파일된다. 334개의 사람 검증 주석 단계를 포함한 20개 CTI 보고서 데이터셋에서, 본 프레임워크는 대표적인 CTI 추출 시스템보다 공격 행위 복원에서 더 높은 주석 단계 커버리지를 달성한다. 또한 사전조건과 사후조건을 명시적으로 생성함으로써, end-to-end LLM 베이스라인이 생성한 것보다 더 완전하고 일관된 공격 단위를 산출한다. 추출된 체인에 대해 Datalog 추론은 20개 보고서 중 19개에서 지정된 공격 목표에 도달하며, 역방향 탐색은 생성된 규칙 하에서 34개의 공격 경로를 산출한다. 소스 코드와 실험 산출물은 익명화된 저장소에서 제공된다.

arXiv:2607.19365v1cs.AI

답변 집합 프로그래밍과 대규모 언어 모델을 활용한 논리 기반 데이터 추출

Logic-Guided Data Extraction with Answer Set Programming and Large Language Models

대규모 언어 모델(LLM)을 비정형 텍스트에서 의미론적 데이터 추출에 사용하여 자연어로부터 후보 관계형 사실을 생성할 때, 복잡한 조합적 추론과 전역적 일관성을 요구하는 작업에서는 여전히 신뢰할 수 없을 수 있다. 본 논문은 LLM 기반 추출과 답변 집합 프로그래밍(ASP)을 결합한 논리 기반 데이터 추출 프레임워크를 제안한다. LLM은 후보 사실을 생성하고, ASP는 검증, 추론, 일관성 검사, 제어를 수행한다. 모든 대상 술어에 대해 LLM을 독립적으로 질의하는 기존 파이프라인과 달리, 제안된 접근법은 ASP 추론을 사용하여 각 단계에서 논리적으로 허용 가능한 술어를 식별하고 추출 질의를 안내한다. LLM 호출과 ASP 도출을 교차 배치함으로써, 프레임워크는 추가 추출 없이 논리적으로 함의되는 사실을 추론하고 불일치를 조기에 감지한다. 파이프라인을 형식화하고, 완화된 가정 하에서 최종 추출 사실에 관하여 기준선 접근법과 동등함을 증명하되, 더 적은 수의 LLM 호출이 필요함을 보인다. 또한 논리 기반 제어 질의를 위한 캐싱 메커니즘을 도입하여, 점진적으로 구성되는 사실 집합에 대한 연언 질의의 단조성을 활용해 솔버 호출 횟수를 줄인다. ASP로 파생된 벤치마크에서의 실험은 프레임워크가 LLM 호출을 줄이고 허위 출력을 완화하여 추출 품질을 향상시킴을 보여 주며, 제어된 의미론적 추출을 위한 비단조 논리 프로그래밍의 가치를 입증한다.

arXiv:1905.05529v5cs.CL

다회차 질의응답으로서의 개체-관계 추출

Entity-Relation Extraction as Multi-Turn Question Answering

본 논문에서는 개체-관계 추출 과업을 위한 새로운 패러다임을 제안한다. 우리는 이 과업을 다회차 질의응답(multi-turn QA) 문제로 형식화하며, 즉 개체와 관계의 추출을 문맥에서 답변 스팬(answer span)을 식별하는 과업으로 변환한다. 이러한 다회차 QA 형식화는 여러 핵심 장점을 갖는다. 첫째, 질문 쿼리는 식별하고자 하는 개체/관계 클래스에 대한 중요한 정보를 인코딩한다. 둘째, QA는 개체와 관계를 공동으로 모델링하는 자연스러운 방법을 제공한다. 셋째, 잘 발달된 기계 독해(machine reading comprehension, MRC) 모델을 활용할 수 있다. ACE 및 CoNLL04 코퍼스에 대한 실험은 제안된 패러다임이 이전 최고 모델들을 크게 능가함을 보여준다. 우리는 ACE04, ACE05, CoNLL04 데이터셋 모두에서 최신 최고(state-of-the-art) 결과를 달성하였으며, 세 데이터셋의 SOTA 결과를 각각 49.4(+1.0), 60.2(+0.6), 68.9(+2.1)로 향상시켰다. 또한, 이전 데이터셋의 트리플릿 추출(triplet extraction)에서의 단일 단계 의존성 추출과 달리, 개체 의존성을 구성하기 위해 다단계 추론(multi-step reasoning)이 필요한 중국어 신규 데이터셋 RESUME을 구축한다. 제안된 다회차 QA 모델은 RESUME 데이터셋에서도 최고 성능을 달성한다.

arXiv:2606.13669v3cs.AI

Agents-K1: 에이전트 네이티브 지식 오케스트레이션을 향하여

Agents-K1: Towards Agent-native Knowledge Orchestration

기존 LLM 기반 연구 에이전트(research agents)가 과학적 지식 오케스트레이션을 간과하는 문제를 해결하기 위해, 원본 문서를 에이전트 네이티브 과학 지식 그래프로 변환하는 엔드투엔드 파이프라인인 Agents-K1을 제안한다. 이를 통해 246만 편의 논문을 처리하여 Scholar-KG를 구축했으며, 과학적 정보 추출(information extraction) 및 멀티홉 추론(multi-hop reasoning)에서 우수한 성능을 달성했다.

arXiv:2607.14149v1cs.AI

지식 그래프 그라운딩을 통한 소형 언어 모델 추론 능력 향상

Enhancing Small Language Models Reasoning through Knowledge Graph Grounding

대규모 언어 모델(LLM)은 제로샷(zero-shot) 추론에서 벤치마크를 세웠지만, 배포 비용이 과도하고 환경 부담도 큽니다. 소형 언어 모델(SLM)은 지속 가능한 대안이지만, 복잡한 다중 홉(multi-hop) 논리적 그라운딩(grounding)이 요구되는 과제에서는 오류에 취약합니다. 우리는 CLUTRR kinship 벤치마크를 사용하여 Gemma 3 (1B, 4B) 및 Llama 3.2 (3B)와 같은 SLM의 추론 능력을 향상시키기 위한 뉴로-심볼릭(neuro-symbolic) 에이전트 프레임워크를 조사합니다. 우리 접근법은 SLM을 두 가지 특화된 도구 호출을 활용하는 미니멀리스트 에이전트로 변환합니다: extract_facts는 심볼릭 triplet 추출용이고, get_hint는 Relational Graph Convolutional Network(RGCN)를 통한 전문가 추론용입니다. 우리는 정답 triplet을 사용하는 Oracle 시나리오와 자체 추출 지식에 의존하는 Realistic 시나리오라는 두 가지 구성에서 이 모델들을 평가합니다. 결과는 RGCN 파생 힌트가 스토리만 사용하는 baseline 대비 1.5~2배 성능 향상을 제공하지만, 시스템이 추출 병목(extraction bottleneck)과 순차적 연역적 취약성(sequential deductive fragility)에 의해 제약받으며, 초기 추출 오류가 다중 홉 체인 전체에서 누적된다는 것을 보여줍니다. 또한 우리는 특정 아키텍처에서 전문가 힌트가 존재함에도 불구하고 노이즈가 있는 자체 생성 사실이 성능을 저하시키는 "distraction effect"를 확인합니다. 본 연구는 저자원 에이전트 시스템에서 심볼릭 그라운딩의 과제를 규명하고, 뉴로-심볼릭 에이전트 파이프라인에서 반복적 검증을 위한 로드맵을 제시합니다.

arXiv:2607.13260v1cs.CL

논증을 활용한 담화 인식 정책 분석: 재난 거버넌스를 위한 하이브리드 LLM-기호 프레임워크

Discourse-Aware Policy Analysis with Argumentation: A Hybrid LLM-Symbolic Framework for Disaster Governance

정책 문서는 거버넌스 결과를 형성하지만, 그 안의 추론은 종종 암묵적이다. 참여형 약속과 관리적 통제는 같은 텍스트 안에서 흔히 공존하며, 이 둘 사이의 긴장은 거의 명시적으로 서술되지 않는다. 기존의 정책 담화에 대한 계산적 접근법은 이러한 긴장을 유발하는 프레임 매개 관계를 표현할 수 없는데, 여기서 한 논증이 다른 논증을 거부하기보다는 좁히거나 도구화한다. 대규모 언어 모델(LLM)의 종단 간(end-to-end) 요약은 유창한 텍스트를 생성하지만, 분야 전문가가 검토하거나 반박할 수 있는 구조를 거의 제공하지 않는다. 우리는 정책 텍스트에 대한 비판적 담화 분석(critical discourse analysis)을 정량적 쌍극(bipolar) 논증 프레임워크로 구체화하는 하이브리드 LLM-기호 파이프라인인 Apaf를 제안한다. 논증은 먼저 숙의적(deliberative) 또는 관리적(managerial) 프레임으로 분류된다. 이어서 네 가지 프레임 매개 관계 하위 유형(행위 주체 축소, 의제 전환, 도구적 지지, 규범적 지지)이 LLM으로 추출한 특징에 대한 결정론적 규칙을 통해 생성된다. 미국, 영국, 캐나다, 호주의 재난 위험 감소 정책 100개 하위 문서로 구성된 새로운 데이터셋을 공개하고, 그 결과로 얻어지는 논증 그래프가 정확하고, 해석 가능하며, 관할권 간에 안정적임을 보인다.

arXiv:2607.10212v1cs.AI

KGCQual: 텍스트로부터 구축된 지식 그래프 품질 평가를 위한 해석 가능한 프레임워크

KGCQual: An Interpretable Framework for Evaluating the Knowledge Graph Construction Quality from Text

지식 그래프(Knowledge Graph, KG)는 자동화된 추출 파이프라인을 통해 점점 더 많이 구축되고 있으나, 이러한 시스템은 종종 잘못된 또는 불완전한 트리플을 생성하여 다운스트림 성능을 저하시킨다. 기존의 평가 방식은 태스크별 메트릭이나 소규모 수동 검증에 크게 의존하여, 추출된 그래프의 구조적·의미적 충실도에 대한 통찰이 제한적이다. 우리는 자동 추출된 그래프가 소스 텍스트에 표현된 핵심 명사구, 술어 관계, 부정과 같은 기본적인 언어 현상을 포착하는 "이상적인" 그래프에 얼마나 근접하는지를 측정하는, 새로운 해석 가능한 내재적 KG 품질 평가 메트릭을 제안한다. 우리의 프레임워크는 두 가지 상호보완적인 구성 요소를 통합한다: (1) 완전성, 해소 품질, 연결성을 평가하는 엔티티 수준 평가, (2) 어휘 유사도, 의존 파싱 정렬, 경량 부정 처리를 활용하여 의미적 충실도를 보장하면서 술어 보존 및 다중성을 판단하는 관계 수준 평가. 우리는 WebNLG, TinyButMighty, BenchIE를 포함한 여러 최신 트리플 추출 시스템과 데이터셋에 걸쳐 메트릭을 평가하여, 기존 메트릭이 간과하는 누락, 중복, 구조적 편차를 신뢰성 있게 식별함을 입증한다. 본 연구는 자동화된 KG 구축 방법을 비교하기 위한 확장 가능하고 모델 비의존적이며 해석 가능한 프레임워크를 제공하며, 표준화된 평가의 토대를 마련한다. 또한 명사 및 동사 구성 요소를 분리하는 에블레이션 연구와, KGCQual 점수가 동일한 추출 KG에서의 링크 예측 성능과 유의미한 상관관계를 보임을 보여주는 다운스트림 평가를 통해 메트릭을 추가적으로 검증한다. 코드 저장소는 https://github.com/kracr/kg-quality-metric 에서 확인할 수 있다.

arXiv:2607.09806v1cs.DL

AI 기반 과학적 발견을 위한 자율 과학 지식 생성 프레임워크

An Autonomous Scientific Knowledge Generation Framework for AI-Driven Scientific Discovery

인공지능(AI)은 과학적 발견을 변혁하고 있지만, 그 효과는 구조화된 과학 지식의 가용성에 의해 근본적으로 제한된다. 기존 데이터베이스들이 데이터 기반 소재 연구를 가속화해왔음에도 불구하고, 예측 모델링과 역설계에 필요한 지식의 상당 부분은 비구조화된 과학 문헌 속에 묻혀 있다. 우리는 과학 논문을 통합 AI 준비 과학 지식 베이스(Unified AI-Ready Scientific Knowledge Base)로 변환하는 자율 과학 지식 생성 프레임워크를 제안한다. 이 프레임워크는 온톨로지 기반 문헌 획득, 하이브리드 과학 지식 추출, 의미적 조화(semantic harmonization), 지식 융합, 그리고 검증을 단일 워크플로 내에 통합한다. 문헌 검색, 정보 추출, 데이터베이스 구축을 별개의 작업으로 처리하는 대신, 이 프레임워크는 과학 논문을 AI 기반 추론에 적합한 구조화되고 의미적으로 일관성 있으며 출처가 보존된 지식으로 점진적으로 변환한다. 개념 증명으로서, 이 프레임워크를 전기-광학 소재 분야에 적용하였다. 자율 문헌 획득을 통해 다수의 학술 저장소에서 약 1,000편의 논문을 검색하고 검증하였다. 8편의 대표 논문으로 구성된 부분집합을 전체 워크플로로 처리하여 29개의 구조화된 과학 레코드를 생성하였고, 이를 7개의 표준 과학 레코드로 조화하였다. 결과는 정량적 측정값, 운영 조건, 출처, 과학적 맥락을 보존하면서 과학 문헌에서 AI 준비 과학 지식 베이스로의 완전한 변환을 입증한다. 제안된 프레임워크는 예측 AI, 생성 AI, 폐루프 AI 기반 과학적 발견을 위한 확장 가능하고 도메인 독립적인 기반을 제공한다.

arXiv:2504.07459v2cs.CL

대규모 언어 모델을 넘어서: 내러티브 텍스트에서 인과 그래프 생성을 위한 언어학적 접근법

Beyond LLMs: A Linguistic Approach to Causal Graph Generation from Narrative Texts

본 논문에서는 내러티브 텍스트로부터 인과 그래프를 생성하는 새로운 프레임워크를 제안한다. 이 프레임워크는 고수준의 인과관계와 세부적인 사건별 관계를 연결한다. 제안 방법은 먼저 대규모 언어 모델(LLM) 기반 요약을 활용하여 에이전트(agent) 중심의 간결한 정점을 추출한다. 이어서 언어학적으로 설계된 7가지 특징으로 구성된 "Expert Index"를 도입하고, 이를 상황-과제-행동-결과(STAC) 분류(classification) 모델에 통합한다. RoBERTa 임베딩과 Expert Index를 결합한 이 하이브리드 시스템은 순수 LLM 기반 접근법에 비해 인과 링크 식별에서 우수한 정밀도(precision)를 달성한다. 또한 구조화된 5회 반복(iteration) 프롬프팅 과정을 통해 연결된 인과 그래프를 정제하고 구성한다. 100개의 내러티브 챕터 및 단편 소설을 대상으로 한 실험에서, 제안 방법은 가독성을 유지하면서 인과 그래프 품질 면에서 GPT-4o와 Claude 3.5를 일관되게 능가함을 보인다. 오픈소스 도구로 제공되는 본 시스템은 내러티브 속 미묘한 인과 연쇄를 포착하기 위한 해석 가능하고 효율적인 솔루션을 제공한다.

arXiv:2311.02564v2cs.CL

의미 향상 메커니즘 기반 관계 추출 모델

Relation Extraction Model Based on Semantic Enhancement Mechanism

관계 추출(Relation Extraction)은 자연어 처리(NLP) 분야에서 정보 추출과 관련된 기본 태스크 중 하나로, 정보 추출, 자연어 이해, 정보 검색 분야에서 중요한 연결 고리이자 핵심 태스크이다. 기존의 관계 추출 방법들은 트리플 중첩(triple overlap) 문제를 효과적으로 해결하지 못한다. 본 논문에서 제안하는 CasRel 프레임워크와 의미 향상 메커니즘을 결합한 CasAug 모델은 이 문제를 어느 정도 해결할 수 있다. CasAug 모델은 의미 향상 메커니즘을 추가함으로써 식별된 후보 주어(subject)의 의미를 강화한다. 먼저 후보 주어의 의미 인코딩을 기반으로 후보 주어를 사전 분류(pre-classification)하고, 주어 어휘 사전(subject lexicon)과 결합하여 의미 유사도를 계산함으로써 후보 주어의 유사 어휘를 획득한다. 획득된 유사 어휘를 바탕으로 서로 다른 관계 내 각 단어가 어텐션 메커니즘을 통해 후보 주어에 대한 기여도로 계산된다. 최종적으로 관계 사전 분류 결과와 결합하여 각 관계의 강화된 의미에 가중치를 부여함으로써 후보 주어의 강화된 의미를 도출하고, 해당 강화된 의미와 후보 주어를 결합하여 객체(object) 및 관계 추출 모듈로 전달한다. 이를 통해 최종 관계 트리플 추출을 완료한다. 실험 결과, 기준선 모델과 비교하여 본 논문에서 제안한 CasAug 모델이 관계 추출 성능을 향상시켰으며, 중첩 문제 처리 및 다중 관계 추출 능력 또한 기준선 모델보다 우수함을 확인하였다. 이는 본 논문에서 제안한 의미 향상 메커니즘이 중복 관계 판단을 더욱 줄이고 트리플 중첩 문제를 완화할 수 있음을 나타낸다.

arXiv:2607.08080v1cs.CL

MASTE: 제로샷 속성 감성 삼중항 추출을 위한 멀티 에이전트 파이프라인

MASTE: A Multi-Agent Pipeline for Zero-Shot Aspect Sentiment Triplet Extraction

MASTE는 리뷰 문장에서 (속성, 의견, 감성) 삼중항을 제로샷으로 추출하기 위해, 속성 추출·의견 추출·감성 추론·일관성 검증의 네 전문 에이전트를 순차적으로 조건화하는 멀티 에이전트 파이프라인을 제안한다. 학습 데이터 없이 네 가지 ASTE 벤치마크에서 기존 제로샷 및 사고의 연쇄 기반 LLM 베이스라인을 크게 앞서며 완전 지도학습 방법과의 격차를 좁혔다.

arXiv:2204.06142v2cs.IR

전문가 및 학자의 과학기술 자원 검색

Retrieval of Scientific and Technological Resources for Experts and Scholars

정보 비대칭으로 인해 전문가·학자의 과학기술 자원이 사회적 수요와 효과적으로 매칭되지 못하는 문제를 해결하기 위해, 전문가 정보 데이터베이스 구축에 필요한 텍스트 관계 추출(relation extraction), 지식 표현 학습(knowledge representation learning), 텍스트 벡터 검색, 시각화 시스템 등 네 가지 연구 분야를 종합적으로 정리한 서베이 논문이다.

arXiv:2607.05689v1cs.CL

UCSC NLP at SemEval-2026 Task 10: 음모론 탐지를 위한 경계 인식 스팬 추출 및 RoBERTa 분류

UCSC NLP at SemEval-2026 Task 10: Boundary-Aware Span Extraction and RoBERTa Classification for Conspiracy Detection

SemEval-2026 Task 10(PsyCoMark)에서 음모론 마커 추출과 문서 수준 음모론 탐지를 위해 RoBERTa-large 기반의 두 독립 모델을 제안하며, Subtask 1에서는 경계 인식 스팬 표현과 하드 네거티브 샘플링, 포함 기반 NMS를 활용한 다중 레이블 스팬 분류를, Subtask 2에서는 레이블 스무딩을 적용한 시퀀스 분류기를 사용한다. Actor, Victim 등 개체 유사 역할은 강건하게 탐지된 반면 Action, Effect, Evidence 등 추상적 역할은 경계 기준에 민감하였으며, 공식 테스트에서 Subtask 1 7위(macro F1 0.2251), Subtask 2 12위(weighted F1 0.7694)를 기록하였다.