시계열 예측에서 시간 단위를 세분화하면 표본 크기가 늘어 표본 내 적합도는 향상되지만, 재귀적 다단계 예측 시 오차가 누적되어 표본 외 정확도가 오히려 저하되는 "세분화 역설(Granularity Paradox)"을 13년 공공 조달 데이터셋과 10개 모델로 실증한다. RMSE·MAE 같은 표준 점별 지표는 이 누적 오차 전파를 체계적으로 은폐하므로, 저자들은 세분화 수준별 누적 TPFE와 점별 지표의 방향적 일치 여부를 비교하는 합의-불일치 진단을 새롭게 제안한다.
Multi-agent AI systems can improve answer selection by allowing different language models to exchange reasoning traces, revise initial predictions, and support a final decision. However, such communication may also introduce reliability risks: reasoning from one agent can correct another agent's mistake, but it can also mislead an agent that was initially correct. This paper studies reliable multi-agent AI communication through reasoning exchange and runtime answer revision. We develop a framework in which agents first answer multiple-choice questions independently, then share reasoning traces and revise their decisions. We conduct numerical experiments where we evaluate whether this process improves accuracy, produces more positive than negative answer transitions, and remains effective across domains such as cybersecurity, networking, and general knowledge. The results help identify when multi-agent reasoning improves reliability and when it may propagate errors.
우리는 기존 ASR 메트릭이 완전히 포착하지 못하는 하류 의미적 오류에 초점을 맞춰, 한국어 구어형 질의응답(SQA)에서 ASR-LLM 캐스케이드를 통해 자동 음성 인식(ASR) 오류가 어떻게 전파되는지 분석합니다. 분석 결과, ASR 오류로 인한 상대적인 하류 성능 저하는 절대 성능이 다른 LLM(대규모 언어 모델) 전반에서 일관되게 나타나며, 이는 캐스케이드의 성능 저하가 주로 ASR 단계의 정보 손실을 따른다는 점을 시사합니다. 또한, 우리는 한 글자 수준의 한국어 ASR 오류를 한국어 특유의 손실 경로로 식별했는데, 이는 최소한의 전사 차이조차도 의도한 질문을 바꾸고 하류 QA 성능을 저하시킬 수 있음을 보여줍니다. 마지막으로, 보조 비교 결과 대규모 오디오 언어 모델이 언어 백본이 거의 일치하는 ASR-LLM 캐스케이드보다 잡음이 섞인 한국어 SQA 환경에서 더 우수한 성능을 보여주며, 이는 직접적인 오디오 입력이 전사로 유발된 정보 손실을 완화할 잠재력이 있음을 나타냅니다.
모듈형 신경망 파이프라인은 오류 누적(error compounding) 문제를 겪습니다: 모든 모듈 경계의 노이즈가 전파되어 후속 모듈에서 잠재적으로 증폭될 수 있습니다. 본 연구는 모듈 간 정보 흐름에 대한 강력한 물리적 제약 조건으로 에너지 보존을 도입합니다. 활성화 에너지(특징 벡터의 제곱 L2 놈)는 모든 모듈 경계에서 정확히 보존되도록 강제됩니다. 소프트 에너지 페널티와 달리, 보존은 위반할 수 없는 법칙입니다: 신경망은 뉴런 간에 에너지를 재분배할 수 있지만 생성하거나 파괴할 수는 없습니다. CIFAR-10에 대한 4가지 실험은 다음을 보여줍니다: (1) 노이즈 시그마=0.2에서 보존은 노이즈 없는 정확도(clean accuracy)의 77.4%를 유지하는 반면, 기준 모델은 35.1%, 에너지 페널티 모델은 30.9%를 기록했습니다(p<0.001, 5 seeds); (2) 파이프라인은 깊이 불변성(depth-invariant)을 가지게 되어, 모든 경계에 노이즈가 있는 경우 깊이 2부터 5까지 93.3%를 유지합니다; (3) 이점은 체계적 바이어스(+45.1%), 가우시안(+40.4%), 적대적 노이즈(+4.8%)로 일반화되며, 드롭아웃(dropout)에 대해서는 원칙적으로 영향이 없습니다(-0.3%); (4) ResNet-18에서 보존의 이점은 내재적 정규화(intrinsic normalization)와 반비례하여 스케일링됩니다: 시그마=0.2에서 BatchNorm이 있을 때 +0.3%p, 없을 때 +26.2%p이며, 시그마=0.5에서 +58.0%p에 도달합니다. 실험 5는 실제 모듈형 로봇 파이프라인(MuJoCo 물리 엔진, Franka Panda)에서 연산자를 검증합니다. 별도의 머신에서 수행된 3번의 독립적인 실행(셀당 90번의 시행)에 걸쳐, 보존은 단안 깊이 스타일(monocular-depth-style) 노이즈에 대해 평균 +18.9%p의 이점을 제공합니다. 형식적인 바운드(formal bound)는 보존된 노이즈 에너지가 입력 노이즈 에너지보다 엄격하게 작음을 증명합니다.