PyTorchKR Papers

최신 논문

총 9편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13603v1cs.LG

소규모 인지 코어로 대규모 인간 행동을 설명하다

A small cognitive core explains human behavior at scale

심리학은 인지에 관한 많은 원리를 제시해 왔습니다. 그러나 각 원리는 개별적으로 개발되어, 이들을 결합했을 때의 설명력은 알려지지 않은 채로 남아 있었습니다. 우리는 기존에 확립된 소수의 원리들을 하나의 모델로 통합했으며, 이를 COntextual Retrieval and Encoding(CORE)이라고 명명했습니다. CORE는 예측 오차가 기록되는 일화 기억(episodic memory)의 계층 구조로 구성되며, 이 기억의 인코딩(encoding), 검색(retrieval), 망각은 맥락(context)에 의존합니다. 137개 실험에서 수집된 7,036,442개의 선택 데이터에 공동으로 적합(fit)된 이 모델은 블랙박스 모델보다 인간의 선택을 더 잘 예측하며, 시뮬레이션 시 보고된 행동 효과의 75%를 재현합니다. 또한, 모델의 잠재 변수들은 베이즈 학습(Bayesian learning)과 사건 분할(event segmentation)의 전형적인 특징을 보여줍니다. 종합하면, 이러한 발견은 소규모의 인지 코어가 인간 행동의 상당 부분을 설명한다는 점을 시사합니다. 나아가 전체 실험 기록을 기반으로 계산 모델(computational model)을 구축함으로써, 심리학을 개별 부분의 합 이상으로 발전시킬 수 있는 길을 열어줍니다.

arXiv:2610.02523v1cs.AI

프로그램 개선을 통한 가설 유도 기반 인지 알고리즘 발견

Hypothesis-guided discovery of cognitive algorithms via program refinement

행동 데이터로부터 알고리즘적 추론에 대한 인지 모델(cognitive model)을 개발하는 것은 인지과학의 핵심 과제이며 기존 방식에 도전 과제를 제기합니다. 인지 모델링에 대한 전통적인 접근법은 해석 가능하고 인간의 전문 지식을 활용할 수 있지만 유연성과 확장성이 부족합니다. 대규모 언어 모델(LLM)을 활용하여 인지 모델을 새롭게 생성(de novo generation)하는 최신 기술들은 확장 가능하고 유연하지만, 인간의 전문 지식이 개입할 여지가 부족하며 주로 알고리즘 복원보다 단순한 과제에 적용되어 왔습니다. 본 연구에서는 인지 알고리즘 발견을 프로그램 개선(program refinement) 문제로 다루는 하이브리드 시스템을 제안합니다. 사람이 생성한 인지 모델을 확률적 프로그램으로 표현한 뒤, 모델과 행동 간의 불일치 식별, 연구자가 지정한 제약 조건 내에서의 코드 수준 수정안 제안, 구조적 충실도 검증의 역할을 맡은 LLM 에이전트 시스템에 제공합니다. 수정 사항은 잠재 변수에 대한 추론(inference) 및 데이터 가능도(likelihood) 계산을 수행하는 확률적 추론 모듈로 전달됩니다. 다양한 인지 알고리즘을 드러내는 문제 해결 패러다임 하에서 인간 행동을 바탕으로 본 파이프라인을 평가합니다. 개선된 모델들은 기존 조상 모델에 비해 모델 적합도를 일관되게 향상시키며, 본 과제에서 유의미한 행동 변동성을 포착하는 소수의 반복적인 혁신 요소를 밝혀냅니다.

arXiv:2511.03643v3q-bio.NC

단순 벡터 표현으로 인간의 선택 확률 설명하기

Explaining Human Choice Probabilities with Simple Vector Representations

우리는 확률적 숨바꼭질 과제에서 인간의 선택 행동을 형식화한다. 기하학적 구성에서 벡터는 참가자의 선택 빈도와 확률 매칭 및 극대화 전략을 나타낸다. 우리는 목표를 추구하는(찾기) 잘 연구된 시나리오뿐 아니라, 결과를 회피하는(숨기) 거의 연구되지 않은 시나리오에서도 선택 행동을 측정하였다. 기하학적 구성을 이용하여 확률 매칭의 회피 대응 개념인 확률 안티매칭을 균등 분포에 대한 벡터 반사로 정의하였다. 찾기 조건에서 참가자의 행동을 매칭과 극대화 구성 요소로 분해함으로써, 숨기에 대응하는 안티매칭 및 최소화 전략을 수학적으로 도출할 수 있었다. 참가자들은 숨기와 찾기 조건 사이에서 선택 빈도를 실제로 변화시켰다. 두 경우 모두에서, 단 두 벡터의 선형 조합이 참가자의 선택 빈도를 매우 잘 적합시킨다는 것을 발견하였다: 찾기의 경우 매칭 + 극대화, 숨기의 경우 안티매칭 + 최소화. 두 관련 기저 전략 벡터의 계수를 변화시킴으로써 참가자 전략 사용의 다양성을 설명할 수 있었다. 이 모델은 최대 7개의 방으로 구성된 시나리오에도 성공적으로 적용되었다. 우리는 확률적 환경에서 인간 행동의 외견상 다양성이, 경우에 따라, 매칭/안티매칭 또는 극대화/최소화라는 두 가지 주요 전략의 가중치를 달리함으로써 설명될 수 있다고 결론 짓는다.

arXiv:2607.06055v1cs.HC

중첩 에피소드 상태 위상(NEST): 인지 상태의 그래프 이론적 아키텍처

Nested Episodic State Topology (NEST): A Graph-Theoretic Architecture of Cognitive States

NEST(Nested Episodic State Topology)는 인지를 구조화된 상태 형성 및 변환으로 모델링하기 위한 그래프 이론적 표현 온톨로지로, 개념·에피소드·지각·태스크 컨텍스트를 인과·포함·시간·연관·증거·공간의 6가지 관계 클래스로 타입화된 재귀적 가중치 그래프로 표현한다. 지속적 믿음 그래프와 용량 제한적 작업 기억 그래프를 분리하고, ACT-R·Soar·Global Workspace Theory 등 주요 인지 아키텍처를 단일 표현 언어의 제약된 영역으로 통합하는 호환성 매핑을 제시한다.

arXiv:2606.26448v1q-bio.NC

자동화된 인지 과학자로 심리학 이론 발견의 폐루프를 닫다

Closing the Loop to Discover Psychological Theories with an Automated Cognitive Scientist

과학 전반에서 자율 시스템이 폐루프 발견에 점점 더 많이 활용되며, 새로운 이론을 제안하고 이를 검증하기 위한 실험을 설계·실행하고 있다. 그러나 이러한 접근법은 아직 인지 과학 분야에는 적용되지 않았으며, 이 분야의 핵심 병목은 이론 구축, 즉 기존 모델들의 누적된 실패를 더 나은 모델로 전환하는 창의적 단계이다. 데이터 수집, 모델링, 실험 설계는 자동화되었지만 이론 생성은 여전히 수동으로 이루어지고 있다. 우리는 이 루프를 닫는 완전 자율 에이전트 AI 시스템인 자동화된 인지 과학자(Automated Cognitive Scientist, AutoCog)를 제시한다. 대규모 언어 모델(LLM) 에이전트들은 경쟁 이론들을 각각 실행 가능한 인지 모델로 표현하여 옹호하고, 이들을 가장 잘 구별할 수 있는 실험을 설계하며, 온라인으로 모집한 참가자로부터 행동 데이터를 수집하고, 수집된 데이터에 대한 생성 성능을 바탕으로 이론을 채점하며, 실패 원인을 진단하고, 더 나은 후속 이론을 합성한다. 이 순환을 반복하면 이론, 모델, 실험의 공간을 탐색할 수 있다. 의사결정 영역에서 AutoCog는 시뮬레이션된 행동으로부터 기존에 알려진 의사결정 전략, 비전형적인 것들을 포함하여, 회복했으며, 이는 그 발견이 궁극적으로 데이터에 의해 주도되며 기반 언어 모델의 사전지식(prior)에 엄격히 구속되지 않음을 보여준다. 인간 참가자 대상으로 실행했을 때, 초기 시드(seed)로 주어진 기존 이론들을 능가하는 이론을 생성했고 두 가지 서로 다른 실험 설정에서 홀드아웃(hold-out) 연구로 일반화되었다. 또한 선택이 특징 값에 대한 민감도가 감소하는 다중 단서(multi-cue) 의사결정에 대한 새로운 이론을 도출했다. 이 이론의 독특한 예측은 새로운 참가자를 대상으로 한 사전등록 연구에서 확인되었다. AutoCog는 자동화된 발견 시스템이 인지 이론 구축을 명시적이고 실행 가능하며 누적 가능한 과학으로 전환하는 데 어떻게 활용될 수 있는지 보여준다.

arXiv:2603.20520v2stat.ML

CogFormer: 모든 모델을 한 번에 학습

CogFormer: Learn All Your Models Once

신경망을 활용한 시뮬레이션 기반 추론(SBI)은 인지 모델링 워크플로를 가속하고 변화시켰다. SBI는 모델러가 이전에는 추정하기 어렵거나 불가능했던 복잡한 모델을 적합할 수 있게 하며, 대규모 데이터셋 전반에서도 신속한 추론을 가능하게 한다. 그러나 다양한 모델링 가정을 반복적으로 탐색하는 데 SBI의 유용성은 여전히 제한적이다. 파라미터화, 생성 함수, 사전분포(prior), 설계 변수의 변경은 모두 모델 재학습을 필요로 하여 상각화(amortization)의 이점을 감소시킨다. 이러한 문제를 해결하기 위해, 우리는 인지 모델링을 위한 메타 상각화(meta-amortized) 프레임워크인 CogFormer를 시범적으로 제안한다. 우리 프레임워크는 구조적으로 유사한 모델들의 조합적으로 많은 경우에서도 유효한 트랜스포머 기반 아키텍처를 학습하며, 데이터 유형, 파라미터, 설계 행렬, 표본 크기의 변화를 허용한다. 우리는 이항, 다중 대안, 연속 반응에 대한 의사결정 모델군 전반에서 유망한 정량적 결과를 제시한다. 우리의 평가는 CogFormer가 최소한의 상각화 편차로 모델군 전반에서 파라미터를 정확하게 추정할 수 있음을 시사하며, 이는 인지 모델링 워크플로를 촉진하는 잠재적으로 강력한 엔진이 될 수 있음을 보여준다.

arXiv:2606.20623v1cs.AI

자원 제약 하에서 경로 의존적 프로그램 귀납이 인간 순서 학습을 설명한다

Path-dependent program induction under resource constraints explains human sequence learning

인지 자원이 제한된 상황에서 사람들은 순차적 경험으로부터 어떻게 추상적이고 재사용 가능한 지식을 구축하는가? 이 질문에 답하기 위해, 우리는 rate-distortion 이론과 프로그램 귀납(program induction)의 최근 발전을 통합하여, 사전 지식이 어떤 미래 구조를 저렴하게 인코딩하고 발견하기 쉽게 만드는지를 형성하는 방식을 기술한다. 우리는 이를 과제 내(within-task) 및 과제 간(across-task)으로 구분된 국소·전역 라이브러리를 갖춘 계층적 Adaptor Grammar(HAG)로 형식화하며, 메모리와 계산에 대한 제약이 이를 공동으로 규율한다. 시뮬레이션에서 HAG는 고정 문법이나 얕은 청킹(chunking) 방법보다 더 나은 rate-distortion 트레이드오프와 더 강한 일반화(generalization)를 달성한다. 온라인 선율 순서 학습 실험에서, 참가자들의 회상 오류는 체계적인 단순화를 반영했고, 추론된 프로그램 경계에서 반응 시간이 증가했다. 시행별(trial-by-trial) 적합 분석은 계층적 라이브러리가 회상과 표본 외(out-of-sample) 연속 선택 모두에서 개인차를 가장 잘 설명했으며, 모든 대안 모델을 능가했다는 것을 추가로 보여주었다. 이러한 발견은 구조화된 학습을, 경험의 순서가 학습자가 구축하는 미래 추상화를 형성하는, 제한된 프로그램 귀납으로 규정한다.

arXiv:2606.17657v1cs.AI

인지 모델을 활용한 언어 모델의 인간 설득 게임 시뮬레이션 개선

Using Cognitive Models to Improve Language Model Simulation of Human Persuasion Games

사람들은 전략적 상호작용에서 의사결정을 다르게 내립니다. 어떤 사람들은 베이지안처럼 신념을 갱신하고, 다른 사람들은 동기적 추론(motivated reasoning)과 같은 편향을 보입니다. 대규모 언어 모델(LLM) 제작자들은 안전성 평가와 학습을 위해 시뮬레이션된 인간을 사용하지만, 이러한 인간 행동의 다양성을 충분히 포괄하지 못하는 경우가 많습니다. 우리는 인지 과학과 경제학이 인간 의사결정의 수학적 모델을 활용하여 이를 수행하기 위한 편리한 도구를 제공한다고 주장합니다. 우리는 대규모 언어 모델이 인지 모델과 일치하도록 안내하는 Equation-to-Behavior 프롬프팅이라는 접근 방식을 제안하고, 법적 의사결정에 기반한 설득 게임에서 이 접근 방식을 평가합니다. 우리는 대형 모델이 프롬프팅을 통해 베이지안 갱신(Bayesian updating), 아핀 왜곡(affine distortion), 동기적 갱신(motivated updating), Grether의 $α$-$β$ 모델과 같은 수식 기반 명세를 근사화할 수 있지만, 소형 모델은 그렇지 못하다는 것을 발견했습니다. 그러나 수학적 규칙을 준수하도록 강화학습으로 소형 모델을 학습시키는 Equation-to-Behavior RL은 분포 외(out-of-distribution) 파라미터화에서 신념 오차를 26.5% 감소시킵니다. 우리는 이러한 시뮬레이션이 다양한 학습 환경을 생성하는 데 도움이 될 수 있음을 보여줍니다. GPT-5-mini를 설득할 때에도, 다양한 종류의 의사결정자를 고려하도록 소형 모델을 학습시키면 베이지안 전용 학습에 비해 평균 신념 변화가 2.5%--12% 개선됩니다. 우리의 연구는 점점 더 현실적인 설정에서 학습과 평가를 위한 인간 시뮬레이션을 개선할 수 있으며, 더 복잡한 인간 의사결정의 수학적 모델에 대한 새로운 연구를 가능하게 할 수 있습니다.

arXiv:2503.10973v2cs.LG

지각적 시퀀스에서 패턴과 추상화 학습

Learning Patterns and Abstractions from Perceptual Sequences

인지는 고차원 감각 스트림을 신속하게 익숙한 부분으로 분해하고 그 관계를 규명합니다. 구조가 왜 등장하며, 이것이 학습, 일반화, 예측을 어떻게 가능하게 하는가? 지각과 지능의 이 핵심 측면에는 어떤 계산 원리가 내재하는가? 감각 스트림은 단순화하면 1차원 시퀀스입니다. 이러한 시퀀스를 학습할 때, 우리는 이를 자연스럽게 부분으로 분할하는데, 이를 청킹(chunking)이라고 합니다. 첫 번째 프로젝트에서 저는 연속 반응 시간 과제에서 청킹에 영향을 미치는 요인을 조사했으며, 인간이 속도와 정확성의 균형을 맞추면서 내재된 청크에 적응함을 보여주었습니다. 이를 바탕으로 저는 청크를 학습하고 시퀀스를 청크 단위로 파싱하는 모델을 개발했습니다. 규범적으로, 저는 청킹을 반복되는 패턴과 중첩된 계층 구조를 발견하여 효율적인 시퀀스 인수분해를 가능하게 하는 합리적인 전략으로 제안했습니다. 학습된 청크는 전이, 구성, 정신적 시뮬레이션을 위한 재사용 가능한 기본 요소(primitives)로 작용하여, 모델이 알려진 것으로부터 새로운 것을 구성할 수 있게 합니다. 저는 이 모델이 단일 및 다차원 시퀀스에서 계층 구조를 학습하는 능력을 입증하고, 비지도 패턴 발견에 있어 그 유용성을 강조했습니다. 두 번째 부분은 구체적인 시퀀스에서 추상적인 시퀀스로 나아갑니다. 저는 추상적 모티프를 분류하고 시퀀스 기억에서의 역할을 조사했습니다. 행동적 증거는 인간이 압축과 전이를 위해 패턴 중복성을 활용함을 시사합니다. 저는 청크와 추상 변수를 모두 학습하여 불변의 기호 패턴을 발견하는 비모수 계층적 변수 모델을 제안했습니다. 저는 이 모델이 인간 학습과 유사함을 보여주고 대규모 언어 모델(LLM)과 비교했습니다. 종합적으로, 이 논문은 청킹과 추상화라는 단순한 계산 원리가 단순에서 복잡으로, 구체에서 추상으로 이어지는 계층적으로 조직화된 시퀀스에서 구조화된 지식 습득을 가능하게 함을 시사합니다.