PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.39360v2cs.AI

혼합 정수 선형 및 비선형 프로그래밍에서의 자동 연구

Autoresearch in Mixed-Integer Linear and Nonlinear Programming

자동 연구(autoresearch)의 최근 발전에도 불구하고, 전형적으로 NP-난해(NP-hard) 혼합 정수 선형 또는 비선형 프로그램(MILP 또는 MINLP)으로 공식화되는 실제 운영 연구(operations research) 문제에 이를 적용하는 것은 여전히 어렵습니다. 효과적인 연구를 위해서는 상충하는 아이디어들과 장기적(long-horizon) 실험 궤적을 체계적으로 관리해야 하기 때문입니다. 본 논문에서는 아이디어 풀링(pooling)과 알고리즘 트리 탐색을 통해 혼합 정수 프로그래밍에서 장기적 자동 연구를 체계화하는 재사용 가능한 에이전트(agent) 스킬인 AutoMIP을 소개합니다. AutoMIP은 상호보완적인 후보 아이디어들의 지속적인 풀을 유지하는 동시에 실행 가능한 실험들을 알고리즘 트리로 구성하여, 에이전트가 탐색되지 않은 가설을 보존하고 유망한 알고리즘을 개선하며 과거 상태를 기반으로 대안적 방법론 방향으로 전환할 수 있도록 지원합니다. MILP 및 MINLP 벤치마크(benchmark) 코호트에서 AutoMIP은 평가된 자동 연구 프레임워크 중 가장 높은 최종 성공률을 달성했습니다. MIPLib에서 AutoMIP은 60개 인스턴스 중 31개에서 새로운 최적해를 발견하여 기존 자동 연구 프레임워크를 능가했습니다. MINLPLib에서는 60개 인스턴스 중 52개에서 새로운 최적해를 달성했습니다. 절제 연구(ablation study)는 아이디어 풀링과 알고리즘 트리 탐색의 상호보완적 기여를 추가로 입증하며, 장기적 자동 연구를 위해 다양한 연구 아이디어와 구조화된 실험 궤적을 함께 유지하는 것의 중요성을 강조합니다.

arXiv:2607.22682v1cs.AI

다중 에이전트 자동 연구 시스템을 위한 어휘

A Vocabulary for Multi-Agent Automated Research Systems

하나 이상의 에이전트로 구성된 자동 연구 시스템을 위한 어휘를 제안하여, 그 설계 선택을 더 쉽게 기술하고 비교할 수 있게 한다. 이 어휘는 1) 에이전트가 누구인지, 2) 시스템에서 어떤 연산이 가능한지, 3) 누가 그 연산을 호출할 수 있는지, 4) 에이전트가 어떻게 통신하는지, 5) 실행 내 및 실행 간에 어떤 정보가 가시적인지, 6) 다음 행동이 어떻게 선택되는지, 7) 실행이 어떻게 시작되는지, 8) 출력이 어떻게 평가되는지를 명시한다. 궤적(trajectory)은 입력 과제부터 반환된 산출물(artifact)까지의 한 번의 실행을 기록한다. 에이전트, 연산, 초기화가 확률적(stochastic)일 수 있기 때문에, 동일한 과제에 대한 반복 실행은 단일 행동이 아니라 궤적에 대한 분포를 유도한다. 우리의 어휘는 에이전트가 언제 통신해야 하는지, 능력을 획득하거나 상실해야 하는지, 또는 실행 간에 정보를 전달해야 하는지와 같은 구조적 설계 질문을 검증 가능한 선택으로 전환한다. 또한 보고된 성능 향상은 프록시 점수(proxy score)가 실제 품질과 얼마나 밀접하게 일치하는지에 달려 있으므로, 평가자(evaluator)를 시스템의 구성 요소로 만든다. 이러한 분리는 이러한 시스템이 취향(taste)이 부족하다는 모호한 불만을 서로 다른 해결책을 갖는 두 가지 실패로 나눈다. 생성적 취향(generative taste)은 어떤 점수도 관측되기 전에 시스템이 새로운 궤적을 제안하는 비율이며, 평가적 취향(evaluative taste)은 프록시 점수와 그것이 일치해야 하는 품질 사이의 격차이다. 최근 autoresearch 시스템에 이 어휘를 구체화하여, 구조적으로 크게 다른 설계를 포괄함을 보여준다.