PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12397v2cs.AI

크리틱 경험 은행: LLM 에이전트를 위한 자기 진화형 단계별 신뢰도 추정

Critic Experience Bank: Self-Evolving Step-Level Confidence Estimation for LLM Agents

대규모 언어 모델(LLM) 에이전트는 상태가 유지되는 환경에서 동작하므로, 한 번의 잘못된 단계만으로도 제한된 상호작용 예산을 낭비하거나 작업 실패가 명확해지기 전에 되돌릴 수 없는 결과를 초래할 수 있습니다. 따라서 안정적인 배포를 위해서는 실행 전에 제안된 행동이 작업을 진전시킬 확률을 추정하는 단계별 신뢰도 추정이 필수적입니다. 기존의 LLM 신뢰도 추정기는 일반적으로 고정된 작업 문맥 및 평가 기준 하의 정적 질의응답을 위해 설계되었습니다. 그러나 에이전트의 경우, 행동 생산성은 실행 후에만 관찰되는 환경 전이에 의존합니다. 이러한 문제를 해결하기 위해, 완료된 궤적(trajectory)의 피드백을 향후 신뢰도 판단을 위한 재사용 가능한 증거로 변환하는 학습이 필요 없는(training-free) 프레임워크인 Critic Experience Bank(CEB)를 소개합니다. 각 궤적이 끝난 후, LLM은 개별 행동에 사후 생산성 의사 레이블(pseudo-label)을 할당하고 이를 크리틱(critic)의 원래 실행 전 신뢰도, 작업 문맥, 행동 및 관찰된 피드백과 함께 저장합니다. 새로운 행동에 대해 CEB는 관련된 생산적 및 비생산적 경험을 검색하여, 고정된 LLM 크리틱을 조건화하기 위해 완료된 궤적의 피드백에 실행 전 신뢰도를 그라운딩합니다. 이를 통해 CEB는 배포 시 매개변수 업데이트나 정답 단계 레이블 없이도 작업 스트림에 적응합니다. 오프라인 및 실시간 웹 내비게이션, 모바일 GUI 및 셸 작업을 아우르는 4개의 에이전트 벤치마크와 3개의 크리틱 백본에 걸쳐, CEB는 규칙 기반 단계 레이블 조건의 12개 벤치마크-백본 설정 전체에서 최저 또는 공동 최저 ECE, Brier 점수 및 최고 AUC를 달성하여 가장 강력한 학습 무관 기준선(baseline) 대비 ECE를 최대 53.8% 줄였습니다. 또한 신뢰도 점수는 선택적 실행 및 시뮬레이션된 작업 성공에서 다운스트림 효용성을 개선합니다.

arXiv:2609.24277v1cs.AI

숫자 한 자리는 몇 픽셀의 가치인가? GUI 에이전트 신뢰도 추정을 위한 위치 인식 좌표 엔트로피

How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Confidence Estimation

GUI 에이전트는 클릭 좌표를 숫자-토큰 시퀀스로 예측하지만, 표준 텍스트 LLM 신뢰도 추정 방법은 올바른 클릭과 잘못된 클릭을 구분하는 순위를 약하게만 형성한다. GUI 전용 대안은 K개 샘플이나 새로운 지도 학습을 사용하지만, 여전히 개선의 여지가 남아 있다. 우리는 이 현상의 일부 원인을 자릿값(place-value) 비대칭으로 추적한다. 바운딩 박스 정확성은 종종 더 높은 자릿수가 더 낮은 자릿수보다 중요하게 만들므로, 균일한 집계는 정확성을 결정하는 신호를 약화시킨다. 해결책은 각 숫자의 섀넌 엔트로피(Shannon entropy)에 자릿값으로 가중치를 두는 것이다. 이를 위치 인식 좌표 엔트로피(Place-Aware Coordinate Entropy, PACE)라고 부른다. ScreenSpot-Pro와 ScreenSpot-v2에서 고정 스케일 에이전트들에 대해, PACE는 단일 순전파에서 모든 주요 비교에서 AUROC과 선택적 정확도(selective accuracy) 모두에서 우수하며, 비용의 일부만으로 K-샘플 베이스라인과 동등하거나 그를 능가한다. PACE는 클릭당 신뢰도 추정치를 제공하여 좌표-토큰 내부 정보를 GUI 에이전트 배포를 위한 실용적인 신뢰도 신호로 전환한다.

arXiv:2607.11097v1cs.CV

광기준선 전방위 스테레오를 위한 매칭 응답 및 스윕 특징 볼륨 재고찰

Revisiting Matching Response and Swept Feature Volumes for Wide-baseline Omnidirectional Stereo

본 논문에서는 광기준선(wide-baseline) 환경에서 빈번히 발생하는 모호한 매칭을 대상으로, 전방위 스테레오에서의 신뢰도 추정을 위한 학습 전략을 제안한다. 3D 인코더-디코더 블록이 생성하는 매칭 응답을 재해석함으로써, 그 기댓값이 내재적 신뢰도 신호를 제공함을 보인다. 이를 기반으로, 본 방법은 보조 헤드, 다중 패스 추론, 또는 추가 모듈 없이 모호한 응답을 직접 패널티화하여 보다 효율적이고 일반화된 예측을 달성한다. 신뢰도를 넘어, 스윕 특징(feature) 볼륨 리샘플링을 도입한다. 이는 3D CNN이 생성한 응답 특징을 회귀된 양성 매칭 인덱스를 이용해 리샘플링한 후, 2D CNN으로 처리하여 표면 법선과 같은 메타 정보를 예측하는 방식이다. 이 결합 학습은 보조 기하학적 정규화를 도입하며, 응답 집계 단계에서 추가적인 문맥 단서를 활용함으로써 깊이 일관성을 향상시킨다. 실험 결과, 본 접근법은 자율 모빌리티 응용을 위한 배포 실용성을 유지하면서 신뢰도 추정과 표면 법선 예측 모두를 개선함을 입증한다.

arXiv:2607.10140v1cs.CV

FlowPainter: 신뢰도 기반 완성을 통한 광학 흐름 인페인팅

FlowPainter: Inpainting Optical Flow via Confidence-Guided Completion

기존 광학 흐름(optical flow) 방법은 크게 두 가지 패러다임을 따른다: 반복적 최적화와 확산 기반 추정. RAFT로 대표되는 반복적 방법은 순환적 정제를 통해 높은 정확도를 달성하지만, 큰 변위와 복잡한 움직임에는 여전히 어려움을 겪는다. 확산 기반 방법은 생성 모델링을 도입하여 이러한 모호한 영역에서 가능성을 보인다. 그러나 기존 확산 모델들은 대개 가벼운 네트워크로 신뢰할 수 있는 움직임을 이미 추정할 수 있는 단순한 영역을 포함하여, 전체 밀집 흐름 필드를 가우시안 노이즈에서부터 디노이징한다. 이는 디노이징 부담을 늘리고 느린 수렴과 불안정한 학습을 초래할 수 있다. 이 문제를 해결하기 위해 우리는 FlowPainter를 제안한다. 이는 밀집 흐름 생성을 신뢰도 기반 소프트 인페인팅(soft inpainting)으로 재정의하는 확산 기반 광학 흐름 프레임워크다. FlowPainter는 경량의 신뢰도 인식 네트워크를 사용하여 대략적인 흐름과 픽셀 단위 신뢰도 마스크를 예측함으로써, 신뢰할 수 있는 단순 영역과 불확실한 어려운 영역을 구분한다. 이렇게 얻은 단순 흐름 사전(simple-flow prior)은 신뢰도 기반 초기화에 활용되며, 신뢰도 게이트 잔차 가이던스(confidence-gated residual guidance)를 통해 반복적 디노이징에 추가로 주입된다. 동적으로 감쇠하는 가이던스 강도를 통해 FlowPainter는 초기 디노이징을 안정화하면서도 후기 단계 세부 정제를 위한 확산 모델의 유연성을 보존한다. Sintel, KITTI, Spring을 포함한 공개 벤치마크에서의 광범위한 실험 결과, FlowPainter는 비교 가능한 학습 환경에서 높은 정확도를 달성하고 기존 확산 기반 광학 흐름 방법보다 더 효율적으로 수렴하며, 어려운 벤치마크 분할에서 눈에 띄는 성능 향상을 보인다. 우리의 접근법은 신뢰할 수 있는 판별적 사전(discriminative prior)과 확산 기반 정제를 광학 흐름 추정에 통합하는 실용적인 방법을 제시한다. 코드는 https://github.com/mya012/FlowPainter 에서 공개적으로 이용 가능하다.

arXiv:2606.24420v1cs.CL

Beyond Logprobs: A Multi-Signal Confidence Engine for LLM-Based Document Field Extraction

고위험 문서 처리에서 LLM 필드 추출의 신뢰도를 logprob·자기 일관성만으로는 구분하기 어렵다는 문제에, 필드 중심 Hunter 호출과 문서 중심 Mapper 호출의 불일치와 LLM 내부 불확실성, OCR·이미지 품질·공간 레이아웃 신호를 융합하는 ExtractConf를 제안한다. DocILE 55필드 인보이스에서 ROC AUC 0.928과 logprob 평균 대비 선택적 예측 위험 70% 감소를 달성했고, CORD 영수증에도 재학습 없이 0.858 AUC로 전이된다.