PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10954v1cs.AI

지수적으로 더 적은 공간으로 계획을 탐색하는 방법 학습

Learning How to Search for Plans with Exponentially Less Space

계획(plan)에 대한 휴리스틱 탐색(heuristic search)은 휴리스틱이 거의 완벽하더라도 지수적으로 많은 상태를 저장할 수 있다. 우리는 대신 탐색 제어(search control)를 학습하는데, 이는 도메인별로 하나씩 작성되는 인덱시컬 정책(indexical policy)으로서, 객체를 담는 레지스터(register)와 규칙을 순서화하는 모드를 갖는 일반화된 정책(generalized policy)이다. 우리는 객체를 레지스터에 적재하고 백트래킹 지점을 표시하는 choose 규칙을 추가하는데, 이 지점에서는 하나의 후보만으로 충분하다. 그 외의 모든 규칙은 가능한 모든 결과에 대해 작동해야 하며 탐색을 필요로 하지 않는다. 우리의 주요 결과는, 무한 실행을 배제하는 구조적 종료성(structural termination)이 객체 수에 대한 다항식으로 모든 실행을 제한한다는 것이다. 그러면 깊이 우선 절차(depth-first procedure)는 상태 공간이 얼마나 크더라도 방문한 상태의 목록 없이 다항식 공간(polynomial space) 안에서 계획을 찾아낸다. 그 대가는 시간이며, 이는 실행 과정에서의 실제 선택 횟수인 선택 깊이(choice depth)에 대해서만 지수적이다. 따라서 이러한 정책이 풀 수 있는 모든 클래스는 NP에 속하며, 선택 깊이가 상수일 때는 P에 속한다. 우리는 종료성을 증명하고 학습 과제를 검증하며 선택 깊이를 작게 유지하는 반례 기반(counterexample-guided) 루프에서 언어 모델로 이러한 정책들을 학습시킨다. 학습된 정책을 사용하여, 이 절차는 IPC 2023 Learning Track과 Autoscale Agile 스위트의 1,890개 테스트 과제 중 1,709개를 풀어내며, 이는 LAMA, BFWS, Levitron보다 더 많고, 그중 대부분을 1초와 100MiB 이내에 해결한다.

arXiv:2609.27105v1cs.AI

LLM을 이용한 증명 가능한 완전 일반화 계획

Provably Complete Generalized Planning with LLMs

일반화 계획(generalized planning)은 계획 도메인(planning domain)의 모든 인스턴스를 풀 수 있는 계획을 계산하는 것을 목표로 한다. 최근 연구는 LLM을 사용하여 Python 프로그램 형태의 이러한 일반화 계획을 자동으로 생성·디버깅하였고, 여러 도메인에서 테스트 데이터에 대한 완벽한 커버리지를 달성했다. 그러나 이러한 일반화 계획이 실제로 완전(complete)한지, 즉 도메인의 모든 인스턴스를 풀 수 있는지는 수동 평가로만 판별할 수 있었다. 본 논문에서는 입력으로 주어진 도메인 제약 사양에 대해 완전성을 증명하는 Lean 형식의 일반화 계획과 그 증명을 함께 자동 생성하는 방법을 제안한다. 의미 보존(semantic-preserving) PDDL-to-Lean 변환을 도입하고, LLM으로 도메인 제약을 만족하는 모든 인스턴스를 풀 수 있음을 보여주는 형식 증명과 일반화 계획을 모두 생성한다. 완전성 증명의 정확성은 Lean의 커널이 판정한다. LLM으로 GPT-5.6-Sol을 사용하여 널리 쓰이는 13개 벤치마크 도메인에서 방법을 평가한다. 12개 도메인에서는 유효한 완전성 증명과 함께 일반화 계획을 얻었다. 이는 자동 일반화 계획 완전성 증명 분야에서 최신 기술(state of the art)의 큰 진전이다.

arXiv:2607.09224v3cs.SE

Git-Assistant: Git 저장소 업데이트를 위한 계획 기반 지원

Git-Assistant: Planning-Based Support for Updating Git Repositories

버전 관리 시스템은 협업 소프트웨어 개발에 필수적이지만, git과 같은 도구는 많은 실무자에게 여전히 어렵다. 대규모 언어 모델(LLM)의 최근 발전은 개발자 의도를 해석하는 데 유망한 역량을 제공하지만, 저장소 관리 작업에서의 효과는 형식적 추론(formal reasoning)이 필요하기 때문에 제한된다. 본 연구는 LLM과 자동 계획(automated planning)을 결합해 개발자가 비자명한 git 작업을 수행하도록 돕는 AI 기반 어시스턴트 Git-Assistant를 제안한다. 이 어시스턴트는 저장소 컨텍스트를 분석하고, 자연어 요청을 실행 가능한 명령어 시퀀스로 변환하며, 정확성과 안전성을 보장하기 위해 계획 기법을 통합한다. 합성 및 무작위화된 git 환경을 사용한 체계적 평가 방법론을 제시하고, LLM 단독 방식과 계획 증강(planning-augmented) 방식의 성능을 여러 지표로 비교한다. 실험 결과, LLM에 형식적 추론을 통합하면 저장소 관리의 신뢰성이 향상되고 오류가 줄어듦을 보여 주며, 지능형 개발자 지원을 위한 하이브리드 AI 접근의 잠재력을 부각한다.

arXiv:2607.21414v1cs.AI

공리를 포함한 계획을 위한 논리 회귀

Logical Regression for Planning with Axioms

자동 계획에서 논리 회귀(logical regression)는 특정 공식을 달성하기 위해 행동에 필요한 가장 일반적인 조건을 반환하는 연산이다. 이는 더 견고한 계획 실행을 가능하게 하고 비결정적 계획을 위한 간결한 정책을 제공하는 등 다양한 응용이 있다. 기본적인 계획 설정에서는 계산이 비교적 단순하지만, 공리와 같은 추가 요인이 존재할 때 논리 회귀는 훨씬 더 복잡해진다. 우리는 공리를 포함하는 도메인에서 행동의 논리 회귀를 근사하기 위한 방법론을 제안한다. 이 근사는 조건을 부분 상태(partial states)로 제한한다. 우리 방법은 공리의 재계산을 피하면서 최소 부분 상태를 생성한다. 방법의 영향을 보여주기 위해, 논리 회귀로부터 큰 이익을 얻을 수 있는 잘 확립된 설정인 실행 모니터링(execution monitoring) 맥락에 우리 형태의 회귀를 내장한다. 결과는 이 형태의 회귀가 여러 도메인에 걸쳐 부분 상태를 극적으로 일반화할 수 있으며, 실행 모니터링을 위해 고려되는 변수 수를 최대 70%까지 줄일 수 있음을 보여준다. 또한 결과적인 실행 모니터가 예상치 못한 변화가 있는 환경에서도 자주 복구할 수 있을 만큼 견고함을 보여준다. 우리 테스트에서 여러 도메인이 50% 이상의 경우에 복구된다.

arXiv:2607.05888v1cs.CR

i-EXAM: 지시 가능하고 설명 가능한 공격 연결 그래프 모델러

i-EXAM: Instructable and Explainable Attack Connectivity Graph Modeler

SPEAR 프레임워크 기반의 대화형 보안 분석 도구 i-EXAM은 네트워크를 PDDL 계획 문제로 자동 변환하여 공격 경로 식별, 보안 메트릭 평가, 다양한 네트워크 강화 전략 생성을 건전성·완전성 보장과 함께 수행한다. 또한 llama-3.1-nemotron-70b-instruct를 활용해 계획 실패 정보를 자연어 설명으로 변환함으로써, PDDL 전문 지식 없이도 시스템 관리자가 보안 강화 전략을 직관적으로 이해하고 선택할 수 있도록 지원한다.

arXiv:2508.07743v2cs.AI

자동 계획을 위한 대칭 인식 트랜스포머 학습

Symmetry-Aware Transformer Training for Automated Planning

트랜스포머는 많은 설정에서 뛰어난 성능을 보이지만, 자동 계획(automated planning) 분야에서의 적용은 제한적이다. PlanGPT와 같은 선행 연구, 즉 최신 디코더 전용(decoder-only) 트랜스포머는 쉬운 계획 문제에서 어려운 문제로의 외삽(extrapolation)에 어려움을 겪는다. 이는 다시 문제의 대칭성(symmetry)에서 기인한다. 계획 과제는 식별자 이상의 의미를 지니지 않는 임의의 변수명으로 표현될 수 있다. 이로 인해 순수 트랜스포머가 효율적으로 학습할 수 없는 동등한 표현의 조합 폭발이 발생한다. 우리는 트랜스포머를 대칭 인식(symmetry-aware)으로 만들고 이를 통해 유도 바이어스(inductive bias)의 부족을 보완하기 위한 새로운 대조 학습(contrastive learning) 목표를 제안한다. 이를 구조적 개선과 결합하여, 트랜스포머가 계획 생성(plan-generation) 또는 휴리스틱 예측(heuristic-prediction)을 위해 효율적으로 학습될 수 있음을 보인다. 여러 계획 도메인에 걸친 결과는 우리의 대칭 인식 학습이 PlanGPT의 한계를 효과적이고 효율적으로 해결함을 보여준다.