PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10954v1cs.AI

지수적으로 더 적은 공간으로 계획을 탐색하는 방법 학습

Learning How to Search for Plans with Exponentially Less Space

계획(plan)에 대한 휴리스틱 탐색(heuristic search)은 휴리스틱이 거의 완벽하더라도 지수적으로 많은 상태를 저장할 수 있다. 우리는 대신 탐색 제어(search control)를 학습하는데, 이는 도메인별로 하나씩 작성되는 인덱시컬 정책(indexical policy)으로서, 객체를 담는 레지스터(register)와 규칙을 순서화하는 모드를 갖는 일반화된 정책(generalized policy)이다. 우리는 객체를 레지스터에 적재하고 백트래킹 지점을 표시하는 choose 규칙을 추가하는데, 이 지점에서는 하나의 후보만으로 충분하다. 그 외의 모든 규칙은 가능한 모든 결과에 대해 작동해야 하며 탐색을 필요로 하지 않는다. 우리의 주요 결과는, 무한 실행을 배제하는 구조적 종료성(structural termination)이 객체 수에 대한 다항식으로 모든 실행을 제한한다는 것이다. 그러면 깊이 우선 절차(depth-first procedure)는 상태 공간이 얼마나 크더라도 방문한 상태의 목록 없이 다항식 공간(polynomial space) 안에서 계획을 찾아낸다. 그 대가는 시간이며, 이는 실행 과정에서의 실제 선택 횟수인 선택 깊이(choice depth)에 대해서만 지수적이다. 따라서 이러한 정책이 풀 수 있는 모든 클래스는 NP에 속하며, 선택 깊이가 상수일 때는 P에 속한다. 우리는 종료성을 증명하고 학습 과제를 검증하며 선택 깊이를 작게 유지하는 반례 기반(counterexample-guided) 루프에서 언어 모델로 이러한 정책들을 학습시킨다. 학습된 정책을 사용하여, 이 절차는 IPC 2023 Learning Track과 Autoscale Agile 스위트의 1,890개 테스트 과제 중 1,709개를 풀어내며, 이는 LAMA, BFWS, Levitron보다 더 많고, 그중 대부분을 1초와 100MiB 이내에 해결한다.

arXiv:2609.27105v1cs.AI

LLM을 이용한 증명 가능한 완전 일반화 계획

Provably Complete Generalized Planning with LLMs

일반화 계획(generalized planning)은 계획 도메인(planning domain)의 모든 인스턴스를 풀 수 있는 계획을 계산하는 것을 목표로 한다. 최근 연구는 LLM을 사용하여 Python 프로그램 형태의 이러한 일반화 계획을 자동으로 생성·디버깅하였고, 여러 도메인에서 테스트 데이터에 대한 완벽한 커버리지를 달성했다. 그러나 이러한 일반화 계획이 실제로 완전(complete)한지, 즉 도메인의 모든 인스턴스를 풀 수 있는지는 수동 평가로만 판별할 수 있었다. 본 논문에서는 입력으로 주어진 도메인 제약 사양에 대해 완전성을 증명하는 Lean 형식의 일반화 계획과 그 증명을 함께 자동 생성하는 방법을 제안한다. 의미 보존(semantic-preserving) PDDL-to-Lean 변환을 도입하고, LLM으로 도메인 제약을 만족하는 모든 인스턴스를 풀 수 있음을 보여주는 형식 증명과 일반화 계획을 모두 생성한다. 완전성 증명의 정확성은 Lean의 커널이 판정한다. LLM으로 GPT-5.6-Sol을 사용하여 널리 쓰이는 13개 벤치마크 도메인에서 방법을 평가한다. 12개 도메인에서는 유효한 완전성 증명과 함께 일반화 계획을 얻었다. 이는 자동 일반화 계획 완전성 증명 분야에서 최신 기술(state of the art)의 큰 진전이다.