PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.20431v1cs.CL

증거 인식 재료 문헌 분석을 위한 스킬 계약 에이전트

Skill-Contracted Agents for Evidence-Aware Materials Literature Analysis

재료 과학 문헌 분석은 조성, 가공, 특성화, 특성 관계에 동시에 주의를 기울여야 하지만, 기존의 검색-증강 생성(RAG) 파이프라인은 단일 검색-후-생성 아키텍처 내에서 이질적인 작업들을 조화시키는 데 어려움을 겪는다. 본 연구에서는 AlphaAgent를 제시한다. AlphaAgent는 명시적 스킬 계약을 통해 검색 기반 질의응답과 논문 수준 보고서 생성을 분리하는 스킬 기반 에이전트 프레임워크이다. 전용 검색 스킬은 사용자 요청을 재료 특화 검색 의도로 재작성하고, Journal Citation Reports의 Metallurgy and Metallurgical Engineering 카테고리에서 30만 편 이상의 논문으로 구성된 큐레이션 인덱스를 조회하며, 초기 증거가 불충분할 때 쿼리를 재구성한다. 별도의 보고서 생성 스킬은 전문 PDF를 파싱하여 논문별 구조화된 분석 보고서와 논문 간 요약을 생성한다. 재료 과학 질문 40개에 대한 블라인드 평가에서, 그 중 절반은 심층 분석적 추론을 요구했으며, AlphaAgent는 기반 모델, 문서 인덱스, 검색 규모가 동일하게 맞춰진 기준선 시스템을 크게 능가했고, 특히 메커니즘 설명과 신뢰성 경계 인식에서 가장 큰 향상을 보였다. 이 결과는 명시적 작업 분리, 정교화된 검색 의도, 증거 인식 생성이 재료 연구를 위한 대규모 언어 모델(LLM) 기반 문헌 분석을 개선함을 시사한다.

arXiv:2606.23608v1cs.AI

에이전트 시대의 인과 발견

Causal Discovery in the Era of Agents

대규모 언어 모델(LLM)과 인과 발견을 결합하려는 최근 시도들은 모델에게 쌍방향 방향을 추론하거나, 그래프 구조를 제안하거나, 언어 모델 출력을 사전 분포(prior)와 제약 조건으로 주입하도록 요청한다. 이러한 접근법들은 더 빠른 분석을 약속하지만, 인과적 증거가 데이터와 가정에 의해 뒷받침되는지, 아니면 텍스트 연관성, 프롬프트 아티팩트, 환각된 메커니즘에 의한 것인지를 불분명하게 만든다. 우리는 인과 발견에서 에이전트의 역할이 달라야 한다고 주장한다. 에이전트는 데이터를 검사하고, 컨텍스트를 검색하고, 방법의 가정을 설명하고, 그래프 출력을 명확히 하는 역할을 담당해야 하지만, 엣지, 방향, 사전 분포, 제약 조건 또는 인과적 결론을 제공해서는 안 된다. 우리는 에이전트가 워크플로우를 보조하되, 인과적 주장은 데이터, 명시적 가정, 형식적 알고리즘, 진단, 그리고 사용자나 도메인 전문가의 결정에 근거해야 한다는 원칙을 제안한다. 우리는 이 원칙을 causal-learn+에 구현하였다. 이는 causal-learn의 알고리즘 생태계를 중심으로 데이터 분석, 전처리, 방법 추천, 전문가 지식 통합, 형식적 발견 및 해석을 조율하는 온라인 플랫폼이다. Big Five 성격 데이터에 대한 사례 연구는 언어 모델의 신뢰성 부족을 인과적 증거로 전환하지 않으면서 에이전트가 보조하는 인과 발견 파이프라인을 예시한다. 해당 플랫폼은 causallearn.com에서 이용 가능하다.

arXiv:2508.04266v4cs.CL

ShoppingBench: LLM 기반 에이전트를 위한 실제 의도 기반 쇼핑 벤치마크

ShoppingBench: A Real-World Intent-Grounded Shopping Benchmark for LLM-based Agents

기존 전자상거래 벤치마크는 주로 제품 검색이나 구매와 같은 기본적인 사용자 의도에 초점을 맞춥니다. 그러나 실제 사용자는 바우처 적용, 예산 관리, 다중 제품 판매자 찾기와 같은 더 복잡한 목표를 추구하는 경우가 많습니다. 이러한 격차를 해소하기 위해, 우리는 점점 더 어려워지는 수준의 그라운딩된 의도를 포괄하도록 설계된 새로운 엔드투엔드 쇼핑 벤치마크인 ShoppingBench를 제안합니다. 구체적으로, 샘플링된 실제 제품에서 파생된 다양한 의도를 기반으로 사용자 지시사항을 시뮬레이션하는 확장 가능한 프레임워크를 제안합니다. 일관되고 신뢰할 수 있는 평가를 용이하게 하기 위해, 우리는 250만 개 이상의 실제 제품을 포함하는 대화형 시뮬레이션 환경인 대규모 쇼핑 샌드박스를 제공합니다. 실험 결과, 최신 언어 에이전트(예: GPT-4.1)조차도 우리의 벤치마크 작업에서 50% 미만의 절대 성공률을 기록하여, ShoppingBench가 제시하는 상당한 도전을 강조합니다. 또한, 우리는 궤적 증류 전략을 제안하고 합성 궤적에 대한 강화학습과 함께 지도 미세조정을 활용하여 대형 언어 에이전트의 능력을 소형 에이전트로 증류합니다. 그 결과, 우리가 학습시킨 에이전트는 GPT-4.1과 비교하여 경쟁력 있는 성능을 달성합니다.

arXiv:2605.29151v2math.AG

$\overline{\mathcal M}_{0,n}$의 푸앵카레 다항식의 실근성: AI 보조 증명

Real-rootedness of the Poincaré polynomials of $\overline{\mathcal M}_{0,n}$: an AI-assisted proof

우리는 안정적인 $n$점 유리 곡선(stable $n$-pointed rational curves)의 Deligne--Mumford 모듈라이 공간 $\overline{\mathcal M}_{0,n}$에 대한 푸앵카레 다항식(Poincaré polynomial)의 실근성을 증명하며, 이로써 Aluffi--Chen--Marcolli의 추측을 증명합니다. 증명은 Keel--Manin--Getzler 점화식에서 시작하지만, 주요 새로운 아이디어는 푸앵카레 다항식의 이변수 변형(bivariate deformation) $F_m(y,t)$입니다. 이 변형은 단변수 점화식에서는 보이지 않는 숨겨진 교차 구조(interlacing structure)를 드러냅니다. 고정된 $t<0$에 대해, $y$ 방향에서의 $F_m$의 영점 집합(zero set)은 구간 $0<y<1-t$에 대한 Sturm--Rolle 논법에 의해 제어됩니다. 원래 다항식은 단면(slice) $y=1$에서 복원되며, 이 단면을 통과하는 이동하는 근(moving roots)의 순서 있는 교차는 실근성과 엄격한 교차(strict interlacing)를 모두 제공합니다. 결과적으로, $\overline{\mathcal M}_{0,n}$의 베티 수(Betti numbers)는 초대수 로그 오목 수열(ultra-log-concave sequence)을 형성합니다. 우리는 또한 복소 사영 직선(complex projective line)의 퇴화에서 $n$개의 순서화된 점(ordered points)에 대한 Fulton--MacPherson 공간 $\mathbb{P}^1[n]$의 푸앵카레 다항식에 대한 실근성과 초대수 로그 오목성을 증명합니다. $\overline{\mathcal M}_{0,n}$에 대한 증명은 Google DeepMind가 개발한 에이전트형 프론티어 모델(agentic frontier-model) 시스템인 Co-Mathematician과의 반복적인 AI 보조 워크플로우(AI-assisted workflow)를 통해 얻었습니다. 우리의 역할은 문제를 공식화하고, 제안된 증명 시도를 평가하며, 간극을 식별하고 수정을 요청하고, 발전하는 논증을 문헌과 비교하며, 최종 증명의 제시를 정교화하는 것이었습니다. 우리의 추가적인 인간 기여는 유사한 잉여 변형 전략(residual deformation strategy)이 Fulton--MacPherson 공간 $\mathbb P^1[n]$에 적용됨을 관찰한 것이었으며, 이는 해당 실근성 정리를 이끌어냈습니다.

arXiv:2606.13177v1cs.CL

MemRefine: 장기 에이전트 메모리를 위한 LLM 기반 압축

MemRefine: LLM-Guided Compression for Long-Term Agent Memory

대규모 언어 모델(LLM) 에이전트는 장기적인 상호작용(long-term interaction)을 수행해야 하는 요구가 점차 증가하고 있으며, 이 과정에서 미래 작업을 지원하기 위해 과거 대화의 정보를 보존하고 검색해야 합니다. 그러나 상호작용이 누적됨에 따라 메모리 저장소(memory store)는 제한 없이 증가하고 중복된 항목으로 채워지게 되는데, 이는 저장 비용을 증가시키고 가장 유용한 증거를 밀어내어 검색 성능을 저하시킵니다. 더욱이 이는 엄격한 메모리 예산(hard memory budget)이 있는 리소스가 제한된 플랫폼에서 특히 큰 제약이 되므로, 우리는 이미 구축된 메모리 저장소를 고정된 예산 내로 유지하면서 미래 상호작용에 유용한 정보를 보존하는 작업인 '저장 공간 예산 기반 메모리 관리(storage-budgeted memory management)'를 정의하게 되었습니다. 이를 위해 본 연구에서는 MemRefine을 제안합니다. MemRefine은 LLM 기반 프레임워크로서, 표면적 유사도(surface similarity)가 사실적 가치를 잘 반영하지 못한다는 점을 고려하여 유사도를 통해 후보 쌍만 제안하고, 삭제, 병합, 보존에 대한 결정은 사실적 내용을 기반으로 LLM 판정자(LLM judge)에게 위임한 뒤 예산이 충족될 때까지 이 과정을 반복합니다. 다양한 메모리 프레임워크와 장기 대화 벤치마크(benchmark)에서 수행한 실험 결과, MemRefine은 목표 예산을 일관되게 충족시키면서 다운스트림(downstream) 성능을 유지하였으며, 제한된 예산 상황에서 규칙 기반 베이스라인(rule-based baselines)보다 우수한 성능을 보였습니다.

arXiv:2606.13405v1cs.AI

규제 프로세스 자동화를 위한 뉴로-심볼릭 에이전트: 도전 과제와 연구 어젠다

Neuro-Symbolic Agents for Regulated Process Automation: Challenges and Research Agenda

규제 산업의 LLM 기반 에이전트 자동화를 위해 규제 및 프로세스 모델을 핵심 아키텍처로 통합하는 compliance-by-construction 패러다임을 제안합니다. 제어 흐름 위반을 구조적으로 방지하고 이를 실현하기 위한 뉴로-심볼릭(neuro-symbolic) 연구 과제를 식별합니다.