PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.01002v2cs.AI

유추는 인공의식에 대해 무엇을 말해줄 수 있는가?

What Can Analogy Tell Us About Artificial Consciousness?

누가 또는 무엇이 의식을 가지고 있는가? 주관적 경험은 1인칭 관점에서만 직접 접근할 수 있기 때문에, 다른 개체의 의식에 대한 판단은 부분적으로 유추(analogy)에 의존한다. 역사적으로 이러한 추론은 인간이 아닌 동물에 집중되어 왔으나, 인공지능(AI)의 발전으로 의식을 가진 AI의 가능성이 제기되었다. 본 논문에서는 이러한 증거적 유추를 평가하기 위한 인과적 프레임워크를 개발한다. 핵심적인 구분은 의식 생성에 관여할 가능성이 높은 요인들의 유사성과 하류(downstream) 행동 또는 인지적 효과에서의 유사성 사이의 차이다. 제안하는 프레임워크는 알려지지 않은 원인, 무력화 요인(disabling differences), 의식에 이르는 대안적 경로를 고려하면서 인과적 관련성에 따라 원천-목표(source-target) 유사성에 가중치를 부여한다. 생물학적 시스템에 적용했을 때, 이는 인간과의 인과적 거리가 멀어질수록 유추적 지지가 전반적으로 약화되는 이유를 설명한다. 현대 AI에 적용했을 때, 이는 관련 인과적 대응 관계가 여전히 명확히 확립되지 않았기 때문에 행동적 유사성만으로는 의식에 대한 제한적인 증거만을 제공함을 시사한다. 또한 이 프레임워크는 어떤 증거가 인공의식에 대한 주장을 강화할 수 있는지를 명확히 밝힌다.

arXiv:2610.01383v1cs.AI

PRISM: 멀티모달 유추를 측정하고 개선하기 위한 범주론적 프레임워크

PRISM: A Category-Theoretic Framework for Measuring and Refining Multimodal Analogies

유추적 추론(analogical reasoning)은 서로 다른 도메인 간의 관계 구조를 식별하고 보존하는 것을 수반합니다. 그러나 AI 기반 멀티모달 유추 생성에 대한 기존 접근 방식들은 생성된 결과물에서 이러한 구조가 이해되고 유지되는지 여부를 해석 가능하게 측정하는 방법이 부족합니다. 본 논문에서는 시각적 은유 생성을 통해 평가된, 멀티모달 유추에서 관계적 정렬을 측정하고 개선하기 위한 모달리티 독립적(modality-agnostic) 프레임워크인 PRISM(Pullback Refinement via Interpretable Structural Mapping)을 제안하여 이러한 공백을 해결합니다. PRISM은 유추를 범주론(category theory)에 기반한 명시적인 관계 매핑으로 표현하며, 비전-언어 모델(VLM)을 활용하여 여러 모달리티에 걸쳐 이러한 구조를 인스턴스화합니다. 첫 번째 구성 요소인 풀백 점수(pullback score)는 결과 그래프 표현으로부터 관계적 정렬을 정량화합니다. AnaloBench 벤치마크에서 풀백 점수만으로 올바른 유추를 선택했을 때 82.5%의 정확도를 달성하여 해당 점수가 유의미한 관계 정보를 포착함을 입증했습니다. PRISM의 두 번째 구성 요소는 풀백 점수를 문맥 내 피드백(in-context feedback) 신호로 사용하여 생성된 이미지가 더 깊은 관계적 깊이를 갖도록 반복적으로 수정하는 반복 정제 루프(iterative refinement loop)입니다. VLM 기반 평가(VLM-as-a-judge) 및 인간 평가 결과, PRISM은 제로샷(zero-shot) 생성 대비 은유 일관성과 유추 적절성을 지속적으로 향상시키며, 쌍별 비교에서 인간 참가자의 57.65%가 정제된 결과물을 선호했습니다. 그러나 정성적 분석에 따르면 이러한 정제 과정이 진정으로 더 깊은 관계적 대응보다는 시각적으로 복잡하게 얽힌 구성을 선호하게 만들 수도 있음을 보여줍니다.

arXiv:2607.23058v1cs.CL

ADAGE: 유추적 추론 평가를 위한 언어 무관 파이프라인

ADAGE: A Language-Agnostic Pipeline for Analogical Reasoning Evaluation

다국어 추론 평가는 압도적으로 영어 벤치마크를 번역하는 방식에 의존하며, 이 관행은 언어적 인공물을 도입하고 문화적으로 근거 있는(culturally-grounded) 추론을 검증하지 못한다. 본 연구는 ADAGE(Analogical Difficulty-by-design Assessment for Grounded Evaluation)를 제안하는데, 이는 원어민 큐레이션과 LLM 보조 생성을 결합하여 추상적 유추적 추론을 위한 어려운 번역 없는 벤치마크를 구축하는 언어 무관 파이프라인이다. ADAGE를 아랍어, 암하라어, 일본어 벤치마크 구축으로 검증했으며, 14개 오픈 가중치(open-weight) 모델을 평가한 결과 일관된 문화적 추론 격차가 나타났다. 영어 속담 추론에서 우수한 성능을 보인 모델들도 세 가지 원어 벤치마크에서는 모두 크게 어려움을 겪었으며, 영어 대비 정확도가 12–52 percentage points 하락했다. 파이프라인, 세 벤치마크, 전체 평가 스위트를 공개한다.

arXiv:2606.05895v4cs.CL

연구 어텐션을 맥락적으로 구조화된 흐름으로 표현하기

Representing Research Attention as Contextually Structured Flows

연구 지표는 사회적 영향의 증거로 어텐션을 사용한다. 그러나 어텐션은 해석된 이후에만 증거로 기능하며, 그 의미는 단순한 양이 아니라 맥락적 구조에 달려 있다. Altmetrics는 신호를 고립적으로 표현하여, 특정 산출물이 받은 어텐션의 횟수 또는 시점의 순서만을 기록한다. 우리는 어텐션 흐름(attention flows)으로 이 문제에 대응한다. 이는 산출물의 어텐션을 그것이 분포되는 맥락들 속에 위치시키는 표현이다. 흐름을 평가하기 위해, 우리는 유추 쿼리(analogy queries) 벤치마크를 구축한다. 각 쿼리는 두 산출물 간의 관계를 세 번째에 적용했을 때 네 번째가 도출되는지를 검증한다. 횟수 및 순서 기준선(baselines)은 이러한 관계를 복원하지 못하지만, 동적 맥락화 표현(dynamic contextualised representations)으로 학습된 흐름은 이를 복원한다. 복원된 구조는 부분 관측에서도 유지되며, 양이 아니라 그 맥락들에 기반한다. 이러한 결과는 연구 평가를 위해 맥락적으로 구조화된 형태로 표현된 어텐션을 뒷받침한다.

arXiv:2607.13602v1cs.CL

유추 심층 연구: 선견 분석을 위한 역사적 유비의 검색과 통합

Analogical Deep Research: Retrieving and Integrating Historical Analogies for Foresight Analysis

현재 상황과 역사적으로 구조적으로 유사한 과거 사건을 체계적으로 비교하는, 즉 역사적 유비(historical analogies)는 선견 분석을 위한 가장 강력한 도구 중 하나이다. 본 연구에서는 대규모 언어 모델(LLM) 에이전트를 위해 Analogical Deep Research(ADR)라는 새로운 태스크를 제안하고, LLM 에이전트가 선견 분석을 수행할 때 역사적 유비를 찾고 활용할 수 있는지 연구하기 위해 최초의 ADR 벤치마크인 ADR-bench를 구축한다. 조사 결과, 핵심 장애물이 밝혀진다: LLM 에이전트는 근본적인 메커니즘보다 표면적 특성에 기반해 매칭하기 때문에 유비를 찾는 데 서투르다. 우리는 ADR이 사건이 왜 발생했는지를 이해해야 하므로 본질적으로 인과적 질문이라고 주장한다. 이론적 분석을 바탕으로, ADR에 필요한 두 가지 원칙, 즉 메커니즘 정렬(mechanism alignment)과 교차 유비 확인(cross-analogy confirmation)을 제시한다. 이론적 결과를 토대로, LLM이 역사적 유비를 찾고 통합하도록 안내하는 새로운 에이전트 프레임워크인 Causal Analogical Researcher(CANA)를 제안한다. CANA는 단순하면서도 효과적인 구조적 분해 표현을 포함하며, 역사적 유비 식별과 통합의 반성적 개선을 위해 구조적 피드백을 통합한다. CANA는 역사적 유비 생성에서 최대 10%의 개선을 가져오며, ADR-bench에서 최신(state-of-the-art) 심층 연구(deep research) 에이전트를 능가한다. 진행 중인 사건에 대한 사례 연구는 CANA가 역사적 유비를 활용하는 데 효과적임을 확인한다.

arXiv:2606.23029v1cs.AI

수치 비율에서 확률 간 유추 비율로

From numerical proportions to analogical proportions between probabilities

유추 비율(analogical proportions)은 "a는 b에 대해 c가 d에 대해 있다"는 관계로 네 항목 a, b, c, d를 연결한다. a, b, c, d는 단순한 수치값에서 프로필(profile)과 같은 더 복잡한 구조에 이르기까지 실세계 개체의 형식적 표현이다. 따라서 $a, b, c, d$는 불리언, 명목(nominal), 수치값 같은 원자값일 수 있고, 더 일반적으로는 이러한 값들의 벡터, 또는 논리식으로 표현된 항목 집합일 수도 있다. 본 논문에서는 확률적 표현 설정을 고려한다. 구체적으로, 본 논문은 확률값 간의 유추 비율, 또는 분포 간의 유추 비율(정규화의 보존이 필요하다)에 대한 연구를 제안한다. 더 구체적으로, 산술 비율에 기반한 정의, 또는 산술 비율과 기하 비율의 결합에 기반한 정의의 성질을 연구하고, 다른 옵션도 논의한다. 이전 연구에서는 벡터로 표현된 네 프로필 a, b, c, d가 성분별로 유추 비율을 이룰 때, 그들의 클래스도 유추 비율을 이룰 가능성이 높다는 것을 보여주었다. 이는 정확한 예측을 생성할 수 있는 유추 비율 기반 분류 방법의 기반이 된다. 유사하게, 본 논문에서는 각 프로필이 관심 이산 속성의 가능한 값들의 빈도를 묘사하는 분포와 연관된다. 그런 다음 유추 비율을 이루는 네 프로필에 연관된 분포들 자체도 유추 비율을 이루는지 논의하고 실험적으로 조사한다.