PyTorchKR Papers

최신 논문

총 9편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.31370v2cs.AI

하나의 가설로는 충분하지 않다: 지식 그래프 상에서 에이전틱 가설 정제를 통한 가추 추론

One Hypothesis Is Not Enough: Abductive Reasoning with Agentic Hypothesis Refinement over Knowledge Graphs

지식 그래프(KG) 상에서의 가추 추론(abductive reasoning)은 해답 집합이 주어진 관찰 엔티티 집합을 설명할 수 있는 1차 논리 가설을 찾는 것을 목표로 합니다. 동일한 관찰을 여러 가설이 설명할 수 있기 때문에, 제어 가능한 가설 생성기들은 엔티티, 관계 또는 논리적 패턴에 따라 생성을 조건화하지만, 생성을 단일 단계로만 처리합니다. 생성된 가설은 형식이 올바르고 주어진 조건을 충족하더라도 관찰을 설명하는 데 실패할 수 있으며, 모델에는 이러한 불일치를 감지하거나 수정하는 메커니즘이 없습니다. 가추 주기를 완성하려면 이산적이고 구조화된 가설을 수정해야 하는데, 대규모 언어 모델(LLM)은 자연어로 쉽게 반복할 수 있음에도 불구하고 이러한 구조적 가설 수정은 안정적으로 수행하지 못합니다. 본 논문에서는 조건 신호를 사용자 의도의 표현뿐만 아니라 생성을 유도하는 연산자로 취급하는 에이전틱 가설 정제 프레임워크인 HypoAgent를 제안합니다. 가설 제안 에이전트(Hypothesis Proposal Agent)는 학습(training)된 소형 생성기를 호출하여 가설을 제안합니다. 이후 근본 원인 분석(Root-cause analysis)은 조각 수준의 커버리지를 활용해 검사할 가치가 있는 브랜치를 찾아내고 학습 그래프에서 이웃 증거를 수집합니다. 가설 정제 에이전트(Hypothesis Refiner Agent)는 이러한 진단 결과와 이전에 생성된 가설들을 결합하여 업데이트된 조건과 직접 수정된 가설을 생성합니다. HypoAgent는 BioKG, PharmKG8k, DBpedia50의 싱글턴 및 멀티턴 설정뿐만 아니라 DBpedia50의 무조건(unconditional) 설정에서도 원샷(one-shot) 생성을 능가하는 성능을 보입니다. 코드는 https://github.com/HKUST-KnowComp/HypoAgent 에서 확인할 수 있습니다.

arXiv:2607.14641v1cs.AI

분석적 가추: 인간-AI 조율을 위한 인과 분해와 거버넌스 기반 확정

Analytic Abduction: Causal Decomposition and Governed Commitment for Human--AI Coordination

가추적 추론(abductive reasoning)은 두 방향으로 작동한다. 합성(synthetic) 모드는 이용 가능한 가설로부터 설명을 구축하고, 반대로 분석(analytic) 모드는 복잡한 관측 상태를 설명하는 잠재 요인들의 상호작용을 식별한다. 본 논문은 분석 모드를 탐욕적이지 않고(non-greedy) 위험에 민감한(risk-sensitive) 확정(commitment) 규율로 발전시키며, 여기서 후보 요인들이 공존하고 상호작용하다가 명시적인 거버넌스 조건이 충족될 때에만 확정된 결론으로 수렴한다. 형식적 핵심은 $κ$-$τ$ 장치(apparatus)이다: $κ$는 가설 간 인식론적(epistemic) 상호작용을 인코딩하고, $τ$는 결정의 위험(stakes)에 맞게 보정된 확정 임계값을 설정한다. 핵심 기여는 인과 클러스터(causal cluster)로, 분해에 어떤 잠재 요인이 참여하는지, 어떤 가중치와 상호작용 구조를 갖는지를 기록하는 구조화된 객체이며, 인과적 오귀속(causal misattribution)을 방지하는 2단계 아키텍처(클러스터 내부 $κ^*$, 클러스터 간 $κ^{**}$)와 함께 제시된다. 역학적 위기 분해와 적대적 사이버 위협 분석에서 입증된 바와 같이, 이 프레임워크가 인간-AI 추론에 기여하는 바는 일시 중단된 분해(suspended decomposition)를 공유된 조율 객체로서 명료하게 만드는 것으로, 조기 수렴(premature convergence)에 대한 구조적 저항력을 제공한다. 실제로 의사결정자는 단일하게 강제된 답이 아니라, 타당성(plausibility)으로 가중된 경쟁적 설명 시나리오들과, 이들 사이를 가르는 증거가 함께 제공되므로, 모호성이 해소되기 전에도 건전한 행동이 가능하다.

arXiv:2607.12733v1cs.AI

LLM은 연기는 볼 수 있지만 불꽃은 볼 수 없다: Elenchos를 이용한 가추적 추론 평가

LLMs Can See the Smoke but not the Fire: Evaluating Abductive Reasoning with Elenchos

대규모 언어 모델(LLM)은 패턴 인식과 텍스트 생성에 뛰어나지만, 관찰된 행동을 설명하는 잠재적 가설을 추론하는 가추적 추론(abductive inference) 능력은 아직 잘 이해되지 않았다. 여기서 우리는 소크라테스식 교차 심문법에서 이름을 따온 Elenchos를 제안한다. 이것은 가추적 추론을 구조적 역문제(structural inverse problem)로 측정하는 생성형 평가 프레임워크이다. 람다 미적분(lambda-calculus)과 같은 기준 형식 체계와 잠재적으로 변이된 대응체계가 주어졌을 때, 에이전트는 변이가 발생했는지 판단하고 그로 인한 행동 차이를 야기한 규칙 수정을 추론해야 한다. 최전선 및 중위권 LLM을 평가한 결과, 일관된 탐지-귀속 분리(detection-attribution dissociation)가 나타난다. 모델은 종종 체계가 변경되었음을 인식하지만, 관찰된 불일치를 야기하는 잠재적 변이를 식별하는 데 어려움을 겪는다. 상호작용하는 변이 상황에서는 성능이 크게 저하되며, 모델은 기저 변이의 일부만 복구하는 경우가 많다. 예비적 증거는 추론 시점 추론 예산 증가에 따른 수익 체감(diminishing returns)도 시사하며, 더 큰 추론 예산에서도 개선은 미미한 수준에 그친다. 다만 이 결과는 추가 검증이 필요하다.

arXiv:2607.09729v1cs.AI

AGM 유형의 비일관성 허용 부분 만남 귀추적 확장 연산

AGM-like Paraconsistent Partial Meet Abductive Expansion Operation

Maurice Pagnucco는 1996년 박사 논문에서 최초의 AGM 유형 귀추적 확장 연산을 창안하였다. 본 논문은 그의 연산을 기반으로 삼고, Atocha Aliseda에서 영감을 받아 귀추적 추론의 주요 구성 요소를 부각하고 형식화한 분류 체계를 활용하여, 새로운 비일관성 허용(paraconsistent) AGM 유형 귀추적 확장 연산을 제시하는 것을 주된 목적으로 한다. 이 연산은 모순되는 설명적 가설을 사소화(trivialization) 및 그에 따른 부조리한 인식론적 상태 없이 동화할 수 있으며, 해당 연산의 공준(postulate)과 전이적 관계 기반 부분 만남(partial meet) 구성을 함께 제시한다. 본 논문에서 전개된 형식적 발전은 상당 부분 비일관성 허용 논리 RCbr의 최근 창안에 힘입은 것이다. RCbr은 형식적 비일관성의 논리(LFI, Logics of Formal Inconsistencies)의 일종으로, 신념 개정 맥락에서 특히 관련성이 높은 성질들, 특히 자기-외연적(self-extensional)일 수 있는 능력—즉 대체 속성(replacement property)을 만족하는 능력—을 확립한다. 이 논문은 두 편 중 첫 번째이다. 여기서 발표되는 비일관성 허용 귀추적 확장 연산은 AGMpabd라는 새로운 체계의 일부를 이루며, 흥미로운 특성을 다수 지님에도 불구하고 부정(negation) 및 일관성(consistency)의 비일관성 허용 연산자에 어떠한 유의미한 인식론적 역할도 부여하지 않는다. 또 다른 새로운 체계인 AGMcircabd의 일부를 이루는 유사한 비일관성 허용 귀추적 확장 연산이 이 방향으로 강화되는 것은 두 번째 논문에서이다. 그럼에도 불구하고, 저자의 지식 범위 내에서 본 논문에서 개발된 연산은 AGM 문헌에서 최초의 것이다.

arXiv:2409.05559v3cs.AI

IFAR: LLM을 활용한 다관점·다단계 인과 발견

IFAR: Multi-Perspective and Multi-Level Causal Discovery with LLMs

대규모 언어 모델(LLM)은 빠르게 발전해 왔으며, 그 추론 능력은 활발한 연구 주제가 되었다. 그러나 귀추적 추론(abductive reasoning)에 대한 탐구는 여전히 제한적이다. 원인의 다관점성과 다단계성은 귀추적 추론의 핵심 난제 중 하나로, 기존 방법으로는 이를 충분히 해결하지 못하고 있다. 우리는 오염 및 질병의 원인 추적을 위해 설계된 전문 데이터셋 DeepAbduction을 구축하여 이 분야의 데이터셋 부족 문제를 해소하였다. 또한 LLM의 다관점·다단계 귀추적 추론을 위한 역방향-순방향 귀추적 추론(Inverse-Forward Abductive Reasoning, IFAR) 프레임워크를 제안한다. IFAR는 제로샷(zero-shot) 방식으로, 일반화된 역방향 추론과 관계별 순방향 검증을 결합한다. 실험 결과, IFAR는 주요 LLM 환경에서 다른 방법들에 비해 F1 점수가 약 40% 향상되었으며, 재현율과 정밀도 간의 균형을 유지하였다. 더불어 IFAR는 비추론 LLM의 성능을 추론 특화 학습을 거친 LLM 이상으로 향상시키며, 후자에 적용하였을 때도 효과를 발휘한다. 코드는 논문 게재 승인 후 공개될 예정이다.

arXiv:2607.08331v1cs.LG

ArtMine: 예술적 창작 과정의 발견 및 형식화

ArtMine: Discovering and Formalizing Artistic Processes

ArtMine은 기록 문서, 서신, 기술 보고서 등 이질적인 역사적 증거로부터 예술적 창작 과정을 발견하고 형식화하는 에이전트 프레임워크로, 퍼스식 귀추 에이전트(Peircean abductive agent)가 증거 기반 제작 단계를 추론한 뒤 자기반성(self-reflection)을 통해 생성 결과물과 참조 작품 간의 편차를 최적화한다. 완성된 결과물의 분포가 아닌 창작 과정 자체를 모델링함으로써, 단편적 문서 증거로부터 일관성 있고 감사 가능한 예술 워크플로 표현을 지원하는 과정 중심 인간-AI 공동 창작 시스템을 지향한다.

arXiv:2607.05434v1cs.CR

포렌식 합성 미디어 탐지를 위한 확률적 AI 모델의 귀추적 입증

Abductive Corroboration of Probabilistic AI Models for Forensic Synthetic Media Detection

포렌식 환경에서의 합성 미디어 탐지 시, 귀추적 추론(abductive reasoning)을 활용해 여러 확률적 AI 탐지 모델의 출력을 교차 검증함으로써 진양성 재현율 대비 위양성 위험을 불균형적으로 낮출 수 있음을 보인다. 또한 OpenAI의 SynthID 워터마크가 공식 발표(2026년 5월 19일) 약 한 달 전인 4월 25일부터 GPT-Image-2 생성 이미지에 적용되기 시작했음을 실증적으로 확인한 첫 번째 연구이다.

arXiv:2606.18557v1cs.AI

DeFAb: 파운데이션 모델에서의 번복 가능한 가역(Defeasible Abduction)을 위한 검증 가능한 벤치마크

DeFAb: A Verifiable Benchmark for Defeasible Abduction in Foundation Models

DeFAb(Defeasible Abduction Benchmark)는 40년간 축적된 공공 지식 베이스를 번복 가능한 가역(defeasible abduction) 과제로 변환하는 검증 가능한 벤치마크로, 기본값을 선택적으로 무시해 변칙을 설명하는 가설의 유효 도출·보수성·최소성을 다항 시간 검증기로 채점한다. 규칙 기반 솔버는 100% 정확도로 50마이크로초 이내에 모든 인스턴스를 풀지만, 최첨단 파운데이션 모델은 렌더링 강건 평가에서 7.8–23.5%에 그치며 번복 가능한 추론을 안정적으로 수행하지 못함을 보여준다.

arXiv:2606.06784v1cs.CR

게시물이 드러내는 것: 소셜 미디어에서 사용자 수준 프라이버시 누출을 위한 벤치마크 및 에이전트 프레임워크

What Your Posts Reveal: A Benchmark and Agentic Framework for User-Level Privacy Leakage on Social Media

공개된 소셜 미디어 게시물은 텍스트, 이미지, 메타데이터에 흩어진 약한 단서들을 통해 개인 정보를 드러낼 수 있다. 이러한 누출은 종종 누적적이고 교차 게시물 방식으로 발생한다: 개별적으로는 무해해 보이는 단서들이 결합되어 사용자의 집, 직장, 또는 일상을 노출할 수 있다. 그러나 현재 연구에는 사용자 수준의 멀티모달 프라이버시 누출을 위한 통합 벤치마크와, 이진 정확도를 넘어 노출 심각도를 포착하는 평가 지표가 부재하다. 이러한 공백을 해소하기 위해, 우리는 Rednote 및 Instagram 계정의 비공개 참조 코퍼스에서 추상화한 누출 패턴을 기반으로 한 합성 벤치마크 SopriBench를 제안한다. SopriBench는 50개의 사용자 프로파일과 1,569개의 이미지를 포함하며, 속성, 맥락적 민감도, 세분성, 누출 유형, 추론 난이도, 뒷받침 증거를 다룬다. 또한 맥락적 민감도에 따라 값 세분성에 가중치를 부여하는 프라이버시 노출 점수(PES, Privacy Exposure Score)를 도입한다. 귀추적 추론(abductive reasoning)에서 영감을 받아, 우리는 누적 누출 추론을 위한 학습 없는(training-free) 에이전트 프레임워크 Argus를 소개한다. Argus는 축적된 증거로부터 가설을 형성하고, 뒷받침 증거를 검증하며, 교차 게시물 단서를 프라이버시 프로파일로 집계하여 PES 0.55를 달성했으며, 이는 가장 강력한 기준선(baseline) 대비 25% 향상된 수치로, 교차 게시물 누출에서 가장 큰 향상을 보였다.