PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27517v1cs.AI

의도하신 의미가 아니다: LLM은 지정된 부정 의미론을 따를 수 있는가?

Not What You Meant: Can LLMs Follow a Specified Negation Semantics?

부정(negation)은 도메in마다 균일한 해석을 갖지 않는다. 법률·규제·의료 추론에서는 의도된 해석이 적용되는 독해(reading)에 따라 달라진다 — 개방 세계(open-world) 대 폐쇄 세계(closed-world), 이값(two-valued) 대 삼값(three-valued), 그리고 credulous 대 skeptical 추론. 우리는 대규모 언어 모델(LLM)이 기본적으로 어떤 부정 독해를 채택하는지, 다른 독해가 명시적으로 지정될 때 그 선호를 바꿀 수 있는지 연구한다. 이를 위해 SLDNF, well-founded semantics(WFS), stable-model semantics 하의 credulous·skeptical 추론 등 네 가지 의미론적 관점을 아우르는 solver 인증(solver-certified) 인스턴스의 절차적 생성기 NAFBench를 제안한다. 생성기는 깊이·너비·순환 구조가 통제된 ground normal logic program을 출력한다. 각 프로그램은 SWI-Prolog, well-founded semantics solver, clingo로 네 관점 모두에서 풀어 최대 네 개의 서로 다른 레이블을 얻는다. 이후 프로그램은 답이 불변인 여러 프레이밍과 규칙 순서 하에서 자연어로 서술된다. 결과는 일관된 격차를 드러낸다. 오픈소스 모델 전반에서 명시된 부정 의미론을 따르는 문제는 여전히 미해결이다: 가장 강한 모델은 네 의미론적 관점에서 59–74%를 기록하고, 가장 약한 모델은 31–67%이다. 모든 모델은 논리적으로 동일한 규칙 재배열의 절반 이상에서 순서에 민감하며, 두 약한 모델은 well-founded "undefined"에서 자주 과잉 확정(overcommit)한다. 두 frontier 모델은 주요 고정 복잡도 평가 세트에서 100%에 도달하고, 세 번째인 o4-mini는 거의 완벽하나 well-founded "undefined"에서만 81%로 떨어진다. 추론을 solver에 위임하거나, 인증된 trace에 대한 미세조정, 또는 명시적 삼값 판정을 강제하는 것 각각이 격차를 부분적으로 줄인다.

arXiv:2609.27203v1cs.AI

XLOG: 신경기호 통합을 위한 CUDA 네이티브 엔진

XLOG: A CUDA-Native Engine for Neurosymbolic Integration

xlog는 타입 프론트엔드와 제공자 소유(provider-owned) CUDA 런타임을 통해 신경망 지각을 결정론적 데이탈로그(Datalog), 확률적 추론, 인식론적 세계관과 통합하는 CUDA 네이티브 논리 프로그래밍 엔진입니다. 추론 모드들은 디바이스 데이터 평면을 공유하지만 실행 경계는 서로 다릅니다. 일반 데이탈로그와 정확 추론(exact inference)은 호스트가 오케스트레이션하는 반면, 인증된 상주 재귀(certified resident recursive) 및 몬테카를로 샘플링 코어는 유계 종단 수신(bounded terminal receipt) 전까지 추적 대상 호스트-디바이스 전송을 0회 기록합니다. 확률적 경로는 프로버넌스(provenance)부터 CNF, Decision-DNNF에 이르는 GPU 지식 컴파일, 정확 가중치 모델 카운팅(exact weighted model counting), 역방향 그래디언트를 통해 엔드투엔드 그래디언트를 지원합니다. 최종 평활화된 회로는 캐싱 또는 평가 전에 소스 포뮬러에 대해 검증(certified)됩니다. 회로 캐싱을 통해 MNIST 덧셈 학습에서 2.74배의 속도 향상을 얻었으며, 최악 조건 최적 조인(worst-case-optimal join) 서브시스템은 xlog의 이항 조인 기준선 대비 27.96배의 기하 평균 이득을 보입니다. MNIST 덧셈 정확도는 Scallop과 대등하지만(0.9561 대 0.9468), 기준선 에포크 시간이 CPU 할당량에 따라 달라지므로 에포크당 속도 주장은 하지 않습니다. 5개의 허브 편향 삼각형 카운팅 사례에서 Souffle 대비 융합 xlog의 실행 시간 비율은 Souffle이 더 빠른 15만 개 엣지에서의 0.88배에서 120만 개에서의 5.54배로 증가하며, 융합 피크 디바이스 할당량은 구체화(materializing) 암의 3,287~44,979MB에 비해 85~1,033MB입니다. 정확 추론은 ProbLog2와 정확도 측면에서 동등하지만 더 느립니다. 공개 비디오 벤치마크에서는 기호적 크레딧(symbolic credit)으로만 학습된 근접 술어가 동일한 홀드아웃 정확도를 유지하면서 수작업으로 설정된 기하 구조를 대체하지만, Event-Calculus 규칙 탐색 내에서는 10겹 교차 검증에 실패하며 누출 없는(leak-free) 분할에서는 전이되지 않습니다. 해양 코퍼스에서 가중치 부여 절(weighted clauses)은 크리스프(crisp) 선택 대비 F1 점수에서 0.065 앞섰으며, 이 결과는 단일 시계열 학습 패스로 재현되었습니다.

arXiv:2410.19738v2cs.AI

신뢰할 수 있는 AI를 위한 추론 시스템 통합, 프로그래밍의 논리와 실습(LPOP) 제4회 워크숍 회의록

Integrating Reasoning Systems for Trustworthy AI, Proceedings of the 4th Workshop on Logic and Practice of Programming (LPOP)

본 회의록에는 네 번째 프로그래밍의 논리와 실습(LPOP) 워크숍에서 발표될 연구의 초록과 포지션 페이퍼(position paper)가 수록되어 있다. 워크숍은 2024년 10월 13일 미국 텍사스주 달러스에서 하이브리드 형태로 개최되며, 제40회 국제 논리 프로그래밍 컨퍼런스(ICLP)와 연계하여 진행된다. 본 워크숍의 초점은 신뢰할 수 있는 AI(trustworthy AI)를 위한 추론 시스템 통합이며, 특히 규칙과 제약 조건을 포함한 다양한 프로그래밍 모델의 통합을 다룬다.

arXiv:2607.21233v1cs.AI

인과 과정을 위한 논리 프로그래밍 의미론

Logic Programming Semantics for Causal Processes

생명과학 분야의 어려운 모델링 문제에 동기를 받아, 우리는 논리 프로그래밍 의미론과 해당 논리 프로그램과 호환되는 인과 과정의 최종 상태들 사이의 관계를 조사한다. 더 정확히, 우리는 양성 논리 프로그램의 안정 모델이 중립 상태에서 시작하여 방해받지 않고 무기한 지속되는 과정의 최종 상태에 대응하는 반면, 지원 모델은 임의의 시작점에서 도달 가능한 최종 상태를 기술함을 보인다. 이는 또한 인과 규칙 언어로서 논리 프로그래밍에 대한 적절한 의미론에 관한 논의에 기여하며, 인과성의 설명적 관점에서 안정 모델 및 지원 모델 의미론에 대한 최근 해석에 시간적 관점을 더한다.

arXiv:2607.21203v1cs.AI

기술 서술 논리 프로그램을 위한 새로운 well-supported 의미론

A New Well-Supported Semantics for Description Logic Programs

기술 서술 논리(description logic) 프로그램은 규칙과 온톨로지를 결합하는 강력한 형식론이다. 기술 서술 논리 프로그램에 대한 well-supported 의미론은 어떤 answer set도 순환 의존성에 의존하지 않도록 보장한다. 논리 프로그래밍의 대부분의 주류 의미론은 이러한 well-supportedness 속성을 갖는다. 우리는 DL 프로그램에 대한 현재 well-supported 의미론의 두 가지 한계를 인식한다: 일관성(consistency) 문제에 대한 계산 복잡도 증가와 reduct 변환 특성화의 부재. 본 연구에서는 현재 의미론보다 온톨로지적 원자(ontological atoms)를 더 엄격하게 평가하는 새로운 의미론을 제시한다. 이는 일관성 문제의 복잡도를 다항 계층(polynomial hierarchy)의 두 번째 수준으로 증가시키는 대신 NP-complete로 유지한다. 또한 우리는 새로운 의미론이 현재 의미론과 동등한 기술 서술 논리 프로그램의 구문적 클래스를 식별한다. 우리는 고정점 연산자(fixpoint operator)와 reduct 기반 변환을 사용하여 우리의 의미론을 특성화한다. 우리의 새로운 의미론은 현재 well-supported 의미론의 엄격한 부분집합이므로, 기존 well-supportedness 개념을 유지하면서 더 엄격한 고유의 개념을 유도한다. 논리 프로그래밍과의 유사성 때문에 우리는 well-supportedness에 대한 새로운 개념을 선호한다.

arXiv:2607.21201v1cs.AI

차분 제약을 포함한 답 집합 프로그래밍을 위한 Bound-founded 의미론: 예비 보고서

Bound-Founded Semantics for Answer Set Programming with Difference Constraints: Preliminary Report

선형 제약의 통합은 답 집합 프로그래밍(ASP)의 적용 범위를 크게 확장했지만, 기존 하이브리드 솔버들은 종종 통일된 논리적 기반이 부족한 이질적인 의미론적 토대에 의존한다. 우리는 Bound-founded Logic of Here-and-There(HTb)의 다중 정렬(many-sorted) 변형을 도입하여 이 공백을 해소하며, 선형 제약이 확장된 ASP의 다양한 대안 의미론 전반에 걸쳐 균형 모델(equilibrium models)을 특성화할 수 있는 다목적 프레임워크를 제공한다. 이 프레임워크를 차분 제약(difference constraints) 설정에 적용하고, clingo[DL]의 의미론적 특성화에 초점을 맞춘다. 우리 접근법의 핵심은 수치 변수에 대한 foundedness의 형식화이다. clingo[DL], clingcon, flingo와 같은 서로 다른 하이브리드 시스템이 제약 원자(constraint atoms)를 정당화하는 방식을 조사함으로써, 우리는 그들의 상이한 동작의 의미론적 뿌리를 밝혀낸다. 이 조사는 clingo[DL]와 같은 현재 시스템의 기초를 형식화할 뿐만 아니라 프로그램 단순화의 엄밀한 연구와 다양한 의미론적 원칙의 향후 통합을 촉진하는 단일하고 일관된 프레임워크를 산출한다.

arXiv:2607.21184v1cs.AI

ILP를 통한 기상 속보 설명

Explaining Weather Bulletins via ILP

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.

arXiv:2606.22485v2cs.AI

VADAOrchestra: 적응형 추론 워크플로의 뉴로심볼릭 오케스트레이션

VADAOrchestra: Neurosymbolic Orchestration of Adaptive Reasoning Workflows

BPM의 런타임 적응 한계와 LLM 에이전트의 불투명성·확장성 문제를 해결하기 위해, VADAOrchestra는 LLM 오케스트레이터가 워크플로를 점진적으로 계획·조정하고 이를 Datalog+/- 논리 프로그램으로 인코딩해 기호 엔진에서 실행하는 뉴로심볼릭 하이브리드 프레임워크를 제안한다. 실제 금융 사용 사례 평가에서 검증 가능한 추론 추적을 통해 표준 에이전트 아키텍처 대비 충실성, 확장성, 설명 가능성을 입증한다.