PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27337v1eess.SY

LLM으로 진화하는 검사 가능한 O-RAN 슬라이싱 xApp

Evolving Inspectable O-RAN Slicing xApps with LLMs

오픈 RAN(O-RAN) 슬라이싱 xApp은 채널 조건과 트래픽 수요 변화에 맞춰 자원 할당을 조정하면서 서비스 수준 협약(SLA)을 충족해야 한다. 심층 강화학습은 적응형 정책을 만들 수 있지만, 할당 규칙은 신경망 파라미터에 인코딩된 채로 남는다. 우리의 목표는 이러한 적응성을 유지하면서 컨트롤러의 의사결정 논리를 운영자가 직접 검사하고 편집할 수 있게 하는 것이다. 우리는 대규모 언어 모델(LLM)을 사용해 슬라이싱 컨트롤러를 최적화 이후에도 의사결정 논리가 읽기 쉽고 편집 가능한 컴팩트한 Python 프로그램으로 진화시킨다. LLM은 오프라인으로 후보를 제안하고 수정하며, 보정된 시뮬레이터가 이를 채점하고, 선택된 의사결정 모듈은 O-RAN 제어 경로에서 변경 없이 실행된다. NSF POWDER 5G 테스트베드에서, 진화된 컨트롤러는 지속적인 채널 페이드 하에서 처리량 목표 달성이 불가능해진 보장 슬라이스(guaranteed slice)에서 자원을 해제하여, best-effort 처리량을 158.2 Mbps에서 228.6 Mbps로 개선했으며, 이는 최상의 정적 할당 대비 44.5% 향상이다. 컨트롤러가 읽을 수 있는 소스 코드이므로, 방정식으로부터 동작을 예측할 수 있고, 코드를 읽어 결함을 진단할 수 있으며, 한 줄 편집으로 보정 오류를 수정할 수 있다. 한 사례에서는 SLA 미달을 79.9%에서 2.2%로 줄였고, 다른 사례에서는 적합도(fitness)를 두 배 이상 높였다. 동일 테스트베드에 보정된 4-슬라이스 trace 기반 시뮬레이션에서, 진화적 탐색은 동일한 제안 예산에서 독립적 프롬프팅보다 더 높은 평균 평가 점수를 달성했으며, held-out trace에서의 평균 정규화 이득은 프롬프팅만 16.3%, 처음부터의 진화 32.1%, 시작 프로그램으로부터의 진화 51.0%였다.

arXiv:2607.02807v1cs.AI

SwarmResearch: 개방형 발견을 위한 코딩 에이전트 오케스트레이션

SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery

autoresearch와 같은 장기 실행 코딩 에이전트는 개방형 문제에 대한 최적화를 지속적으로 발견할 수 있다. 그러나 이러한 에이전트는 단일 고수준 접근법으로 수렴하는 경향이 있으며, 이후 저수준 수정을 진행하면서 문제에 대한 다른 우월한 접근법을 놓친다. 우리는 두 가지 하네스 수준의 설계 선택이 이러한 행동에 기여한다고 가설을 세운다: 단일 장기 실행 에이전트에 컨텍스트를 누적하는 것과 수정 가능한 단일 프로그램 상태만을 노출하는 것이다. 우리는 SwarmResearch를 소개한다. 이는 Shepherd 에이전트가 전역 컨텍스트를 활용하여 각각 자신의 git 브랜치에서 로컬 컨텍스트로 동작하는 Search 에이전트 집단을 이끄는 오케스트레이터-서브에이전트 하네스이다. 개방형 최적화 태스크에서 SwarmResearch는 고수준 탐험을 통해 15개 태스크 중 13개에서 최신 대규모 언어 모델(LLM) 가이드 진화 및 다중 에이전트 기법과 비교하여 더 나은 혹은 동등한 솔루션을 발견한다. 직렬 및 병렬 에이전트의 고정 스케일링과 비교하여, SwarmResearch의 오케스트레이터 가이드 스케일링은 다양한 탐색 깊이에서 병렬성을 조정함으로써 더 우수한 성능의 솔루션을 발견한다.

arXiv:2606.07342v1cs.CL

의료 의사결정 파이프라인을 위한 LLM 유도 진화

LLM-Guided Evolution for Medical Decision Pipelines

대규모 언어 모델(LLM)을 임상 워크플로에 적응시키는 데는 종종 값비싼 미세조정이나 수동 프롬프트 및 파이프라인 엔지니어링이 필요하다. 우리는 의료 의사결정 전략을 발견하기 위한 추론 시점 대안으로 LLM 기반 MAP-Elites 진화를 연구하고, 구현 저장소는 https://github.com/univanxx/llm_guided_evo_medical 에서 제공한다. 우리는 긴급도 분류, 대화형 상담, 의료 이미지 분류를 과제별 적합도 함수로 최적화되는 실행 가능한 산출물에 대한 진화 탐색으로 공식화한다. 세 설정 모두에서 진화는 실용적 제약 하에서 수동 설계 기준선을 개선한다. 분류에서는 진화된 프로그램이 Semigran 정확도를 $77.3\%$에서 $87.1\%$로, 응급 재현율을 $0.60$에서 $0.97$로 높이고, 안전성 가중 held-out MIMIC-ESI 성능도 개선한다. 대화형 상담에서는 진화된 정책이 Llama-3, Qwen-3.5, Gemma-4 전반에서 정확도-비용 프론티어를 개선하고 held-out iCRAFTMD로 전이된다. PneumoniaMNIST에서는 프롬프트만 사용하는 진화가 엄격한 JSON 출력을 유지하면서 고정 MedGemma VLM을 개선한다. 정성 분석은 이득이 표면적인 프롬프트 재작성만이 아니라 해석 가능한 프로그램 수준 메커니즘, 보정된 분류 경계, 목표 지향적 증거 수집, 선택적 확정, 소견 지향적 시각적 의사결정 규칙에서 비롯됨을 보여준다.