PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.20988v2cs.AI

마음에 대한 자동화된 과학을 향하여

Toward an automated science of the mind

인공지능(AI)이 과학적 발견을 자동화하기 시작하면서, 마음에 대한 자동화된 과학(automated science of the mind)의 가능성이 대두되고 있습니다. 본 논문에서는 실험의 표현, 합성 행동(synthetic behavior) 생성, 모델 합성, 그리고 심리학적 이론을 발견하기 위한 폐루프(closing the loop) 완성이라는 네 가지 도전 과제를 중심으로 이 분야의 지형을 정리합니다.

arXiv:2606.29792v1cs.CL

인간은 진화된 지시 수행자인가? 내재된 귀납적 바이어스가 빠른 지시 기반 과제 학습을 가능하게 한다

Are Humans Evolved Instruction Followers? An Underlying Inductive Bias Enables Rapid Instructed Task Learning

성인은 언어적 또는 문서화된 지시를 받은 후 첫 시도에서 새로운 과제를 올바르게 수행하는 경우가 많다. 이러한 빠른 지시 기반 과제 학습(RITL, rapid instructed task learning)은 인간 인지 유연성의 핵심적 특징이지만, 그 메커니즘과 인공 시스템과의 유사성은 여러 학문 분야에 걸쳐 충분히 탐구되지 않았다. 이 포지션 페이퍼에서 우리는 인간이 진화된 지시 수행 바이어스(instruction-following bias)를 보유하고 있다고 주장한다. 이는 언어적 지시를 해석하고 실행하도록 진화에 의해 형성된 귀납적 바이어스로, 언어로부터 행동의 빠른 일반화를 핵심적으로 가능하게 한다. 이 바이어스는 대규모 언어 모델(LLM)이 지시 미세조정을 활용하여 제로샷 과제 수행을 달성하는 방식과 유사하게 기능한다. 우리는 이 가설을 뒷받침하기 위해 인지과학, 신경과학, 기계학습 연구의 증거를 종합한다. AI에서의 지시 수행은 현재 특화된 학습 프로토콜을 통해 달성되는 반면, 인간에서는 선천적인 인지 아키텍처 특징으로 발생한다고 우리는 주장한다. 우리는 검증 가능한 예측들을 제시하고, 자연 및 인공 신경망 모두에서 빠른 과제 학습을 가능하게 하는 통합 메커니즘으로서의 지시 수행(Instruction-Following)을 탐구하기 위한 학제 간 연구를 촉구한다.

arXiv:2606.26460v1cs.AI

auto-psych: 에이전트 주도 이론 발견과 실험을 통한 마음의 과학 자동화

auto-psych: Automating the science of mind using agent-driven theory discovery and experimentation

auto-psych는 계산 인지과학에서 중첩된 에이전트 루프로 확률적 인지 모델을 제안·적합·비판하고, 크라우드소싱 설문 실험을 설계·실행·분석해 인간 행동 이론을 자동 탐색하는 시스템이다. 동전 던지기 순열의 주관적 무작위성 판단 과제에서 합성 데이터의 정답 이론을 신뢰성 있게 복원했고, 세 차례 인간 실험에서 문헌 기반 이론보다 데이터 적합도가 높은 이론을 찾아 자동화된 데이터 수집과 이론 발견의 가능성을 보였다.

arXiv:2606.21616v1cs.CL

LLM과 인간의 표상 방식

LLM and Human Modes of Representation

AI의 인지적 기초에 관한 많은 연구는 대규모 언어 모델(LLM)과 인간이 정보를 처리하고 이를 표상하는 방식을 비교하는 데 초점을 맞춰 왔다. 이러한 비교의 한 측면은 LLM이 다양한 인지적으로 흥미로운 과제에서 인간의 성능에 도달하거나 이를 능가할 수 있는 정도를 판단하는 것을 포함한다. 다른 측면은 정보 처리에 있어 LLM과 인간 시스템 간의 수렴과 분기 지점을 탐구하는 것이다. 여기서는 두 정보 영역에서 두 문제 모두를 다룬 최근 연구를 검토한다. 첫 번째는 언어적 지식의 표상이고, 두 번째는 실세계 추론과 계획(planning)이다. LLM은 언어 응용에서 종종 인상적인 수준의 성능과 유창성(fluency)을 달성하지만, 언어적 내용을 인간의 처리 방식과는 구별되는 방식으로 다루는 경향이 있다. 또한 대체로 추론 과제에서의 학습과 일반화(generalisation) 측면에서 인간보다 효율성이 낮다.

arXiv:2606.20600v1cs.AI

새로운 연상주의: 심층 학습의 교훈

The New Associationism: Lessons from Deep Learning

현대 AI의 성공은 인간이 어떻게 학습하는지에 대해 무엇을 알려줄 수 있는가? 본 논문은 인간 학습의 모델로서 AI를 진지하게 받아들이면, 겸손하지만 진정한 연상주의를 뒷받침한다고 주장한다. 핵심 발견은 지도 학습(supervised learning)—평가적 피드백에 의해 이끌리는 학습—이 대규모 언어 모델부터 게임 플레이 에이전트에 이르기까지 현대 AI 시스템의 놀랍도록 넓은 범위의 기반을 이루며, 주로 관련 피드백 신호를 생성하는 데 필요한 작업량에서 차이가 난다는 것이다. 이는 영역에 걸쳐 작동하는 균일하고 점진적이며 오류 주도적인 학습 메커니즘이라는 연상주의적 이상을 입증하며, 연상주의적 메커니즘이 인간의 인지 능력을 설명하기에 너무 제한적이라는 한때 영향력 있던 주장을 약화시킨다. 동시에, 심층 학습의 성공은 고전적 연상주의자들이 상상했던 것을 훨씬 넘어서는 계산 아키텍처에 의존하며, 지도 학습은 학습에 대한 완전한 설명이라기보다 이러한 아키텍처 내에서 하나의 구성 요소로 작동한다.

arXiv:2606.12386v1cs.LG

ATLAS: 자동화된 과학을 위한 능동적 이론 학습

ATLAS: Active Theory Learning for Automated Science

기계론적 모델링을 통해 과학적 이해를 발전시키려면 최대한 정보를 제공하는 데이터를 얻기 위해 올바른 실험적 질문을 제기해야 합니다. 인지 과학 내에서 이러한 과정을 자동화하기 위해, 우리는 해석 가능한 행동 모델을 데이터 기반으로 발견하는 능동 학습 프레임워크인 ATLAS (Active Theory Learning for Automated Science)를 소개합니다. ATLAS는 다양한 희소 신경망(sparse neural networks) 앙상블(Disentangled RNNs)로 구체화된 기계론적 가설을 생성하는 것과 이들을 최적으로 구별하는 실험을 설계하는 것을 반복합니다. 우리는 밴딧 작업에서의 행동으로부터 강화학습 에이전트를 복원하는 문제에 대해 이 접근 방식을 테스트합니다. ATLAS는 기저 에이전트 특성에 맞춰진 시간적 구조를 가진 질적으로 새로운 실험의 다양한 시퀀스를 설계합니다. 이러한 실험에서 학습된 모델들은 행동적, 구조적, 계산적 유사성을 포착하는 기계론적 모델링을 위한 포괄적인 메트릭 세트에 대해 평가됩니다. ATLAS는 무작위 실험과 비교하여 모든 메트릭에서 샘플 효율성 면에서 5-10배의 향상을 달성했으며, 문헌에서 파생된 전문가 설계 실험에 대해서도 그 성능이 추가로 검증되었습니다. 이러한 실리코(in silico) 결과는 ATLAS가 과학적 탐구가 기계론적 모델 발견에 의존하는 인지 과학 및 기타 도메인에서 인간이 해석 가능한 통찰을 가속화할 잠재력을 보여줍니다.