PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.11339v1cs.CV

HierCAD: 구조 정렬과 매개변수 그라운딩을 통한 계층적 텍스트-투-CAD 설계

HierCAD: Hierarchical Text-to-CAD Design via Structure Alignment and Parameter Grounding

최근 텍스트-투-CAD 접근법들은 대규모 언어 모델(LLM)을 활용하여 유망한 결과를 보여주었지만, 복잡한 설계에서 구조적 일관성을 유지하고 기하학적 매개변수를 정확하게 그라운딩하는 데 어려움을 겪는 경우가 많다. 이러한 문제를 해결하기 위해, 우리는 구조적 추론과 매개변수 예측을 모두 개선하는 계층적 텍스트-투-CAD 프레임워크인 HierCAD를 제안한다. HierCAD는 CAD 구성 트리를 객체 수준의 절차적 추론 궤적과 부품 수준의 토폴로지 추론 궤적으로 분해함으로써 CAD 생성을 점진적 추론으로 재정식화한다. 생성 충실도를 더욱 향상시키기 위해, 우리는 통합된 구조 정렬 및 매개변수 그라운딩(SAPG) 학습 전략을 도입한다. 구조 정렬은 토폴로지 추론 궤적을 해당하는 파라메트릭 CAD 스팬과 정렬하고, 매개변수 그라운딩은 구조 보존 매개변수 섭동과 순위 기반 감독을 통해 지름길 학습(shortcut learning)을 완화한다. 실험을 통해 HierCAD가 CAD 시퀀스 생성과 재구성된 CAD 모델 평가 모두에서 기존 최첨단 방법들을 능가함을 입증한다. 코드는 https://github.com/Collab-Gen/HierCAD 에서 확인할 수 있다.

arXiv:2604.00130v2cs.CL

계층적 사고의 연쇄: LLM 추론 성능과 효율성 향상

Hierarchical Chain-of-Thought: Enhancing LLM Reasoning Performance and Efficiency

사고의 연쇄(Chain-of-Thought, CoT) 프롬프팅은 대규모 언어 모델(LLM)의 추론 능력을 크게 향상시켰다. 그러나 기존의 CoT는 중복성과 준최적 성능 문제를 겪는 비구조적이고 평탄한 추론 체인에 의존하는 경우가 많다. 본 연구에서는 복잡한 다단계 추론의 과제를 해결하기 위해 특별히 설계된 구조적 추론 패러다임인 계층적 사고의 연쇄(Hierarchical Chain-of-Thought, Hi-CoT)를 제안한다. Hi-CoT는 지시적 계획과 단계별 실행을 교대로 수행함으로써 추론 과정을 계층적 하위 단계로 분해한다. 이러한 분해는 LLM이 긴 추론 구간을 더 잘 관리하고 논리적 일관성을 유지할 수 있도록 한다. 다양한 LLM과 수학적 추론 벤치마크에 대한 광범위한 평가에서 Hi-CoT는 CoT 대비 추론 경로 길이를 13.9% 줄이면서 평균 정확도를 6.2%(일부 모델 및 과제에서 최대 61.4%) 일관되게 향상시키는 것으로 나타났다. 또한 모델이 계층적 구조를 엄격히 준수할 때 정확도와 효율성이 최대화됨을 보인다. 코드는 https://github.com/XingshuaiHuang/Hi-CoT에서 확인할 수 있다.

arXiv:2606.11349v1cs.AI

언제 질문할지 아는 것: 계층적 언어 에이전트를 위한 자체 게이트 명확화

Knowing When to Ask: Self-Gated Clarification for Hierarchical Language Agents

계층적 언어 에이전트가 중간 결정 단계에서 정보 부족을 인지하지 못하는 문제를 해결하기 위해, 명확화(clarification)를 행동 공간에 통합하여 행동과 경쟁하게 만드는 ACTION-RATING 방법을 제안합니다. 대규모 분류 벤치마크에서 제안된 방법이 필수 및 기회적 정보 탐색 모드를 유도하며, 정보 탐색 효율성(ISE)을 74%까지 높이고 정확도를 최대 16.2% 개선함을 입증했습니다.