PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.00668v1cs.AI

규범 기반 의사결정을 위한 단순 신념 의무 논리

A Simple Doxastic Deontic Logic for Norm-Guided Decision Making

상충하는 규범과 불완전하거나 신뢰할 수 없는 정보 속에서 결정을 내리는 것은 자율 시스템의 근본적인 과제입니다. 본 논문에서는 이러한 환경을 위한 단순 신념 의무 논리(doxastic deontic logic)를 제안합니다. 이는 Chellas의 최소 의무 논리(Minimal Deontic Logic)의 고전적 축소 가능 부분(classically reducible fragment)을 명시적 조건부 규범으로 확장하고 다중 에이전트 KD45와 결합하여, 규범이 사실과 규범 모두에 대한 에이전트의 신념에 의존할 수 있도록 합니다. 이 논리를 기반으로 에이전트가 가중치 적용 규범 위반을 최소화하는 결정을 선택하는 신념 규범 준수 최적화 문제(Doxastic Norm Compliance Optimization Problem)를 정의합니다. 또한 (에이전트의 신념에 기반한) 주관적 최적화와 (실제 사실에 기반한) 객관적 최적화를 구분합니다. 본 연구는 (i) 두 최적화가 일치하는 조건과 (ii) 최적의 의사결정이 다항 시간 내에 가중치 부분 MaxSAT(weighted partial MaxSAT) 문제로 환원될 수 있는 조건을 제시합니다.

arXiv:2607.24074v1cs.AI

MiSS: 포인트 클라우드 분류기를 위한 최소 충분 연합의 논리 기반 설명

MiSS: A Logic-Driven Explanation of Minimal Sufficient Coalitions for Point Cloud Classifiers

MiSS를 제안한다. MiSS는 교란 상대적 충분성 추론을 통해 3D 포인트 클라우드 분류기를 설명하는 블랙박스, 쿼리 기반 프레임워크이다. MiSS는 슈퍼포인트 분할을 해석 가능한 추상화 층으로 취급하며, 지정된 교란 분포 하에서 기하학적 영역의 최소 연합으로부터 원래 예측을 인증할 수 있는지를 묻는다. 예측기의 불리언 특징 공간 또는 화이트박스 논리 인코딩을 요구하는 가역적(abductive) 설명기와 달리, MiSS는 후보 제안과 검증을 분리한다: 가중 MaxSAT 절차는 휴리스틱 적응형 카디널리티 하한, 인증된 정확 크기 폴백, 안전하게 조여진 상한, 차단 절, 그리고 이전 오라클 평가로부터 학습된 대리 획득 휴리스틱을 사용하여 연합을 제안하고, 블랙박스 통계 오라클은 예측 쿼리로부터 충분성을 결정한다. 이 시스템은 통계적으로 검증된 충분 연합을 이진 기여도(attribution)로 반환하며, 인증된 탐색이 완료되면 최소 카디널리티가 보장된다. PointNet 및 PointMLP 분류기를 사용한 ModelNet40과 ShapeNet에서의 실험은 대부분의 설정에서 규칙 기반 베이스라인보다 더 높은 정밀도와 커버리지를 보이며, 전수 탐색보다 낮은 설명 시간을 보인다.

arXiv:2607.12711v2cs.AI

스도쿠에서 비전-언어 모델을 유도하기 위한 MaxSAT 기반 피드백

MaxSAT-Based Feedback for Guiding Vision-Language Models in Sudoku

비전-언어 모델(VLM)은 최근 그리드 기반 퍼즐을 포함한 구조화된 시각적 추론 작업에서 유망한 성능을 보여주었다. 그러나 강한 지각 능력에도 불구하고, 이러한 모델은 논리적 일관성을 강제하는 명시적 메커니즘이 부족하며, 기저 제약을 위반하는 배치를 자주 생성한다. 본 논문에서는 최대 만족 가능성(Maximum Satisfiability, MaxSAT) 오라클을 통해 형식적 제약 추론을 VLM 풀이 과정에 통합하는 신경-기호적(neuro-symbolic) 접근법을 제안한다. 해를 직접 계산하는 대신, 기호적 구성 요소는 일관성 검증기 및 정제 엔진으로 작동한다. VLM이 생성한 후보 배치는 부분 MaxSAT 공식화에서 소프트 절(soft clause)로 인코딩되며, 스도쿠 제약은 하드 절(hard clause)로 유지된다. 불일치가 발생하면 MaxSAT 솔버는 상호 일관된 배치의 최대 부분집합을 식별하고, 이를 구조화된 텍스트 및 시각적 피드백으로 변환하여 후속 정제를 유도한다. 여러 오픈 소스 및 폐쇄형 VLM에 대해 스도쿠 데이터셋에서 접근법을 평가한다. 결과는 MaxSAT 기반 피드백이 논리적 일관성을 향상시키고 해결된 인스턴스 수를 증가시키며, 특히 전체 보드 정제 모드에서 그러함을 보여준다. 이러한 발견은 기호적 최적화(optimization)가 비전-언어 추론의 신뢰성을 향상시킬 수 있음을 보여준다.

arXiv:2607.14818v1cs.LO

LLM이 논문으로 MaxSAT 솔버를 구축할 수 있는가? CoreForge 경험

Can LLMs Build a MaxSAT Solver from Papers? The CoreForge Experience

CoreForge에 대해 보고한다. CoreForge는 기존 솔버 코드베이스가 아닌 연구 논문으로부터 가중치 없는(unweighted) MaxSAT 솔버를 구축하기 위해 대규모 언어 모델(LLM)을 사용한 경험이다. 이 프로젝트는 불만족(unsatisfiability) 기반 MaxSAT 알고리즘에 초점을 두며, ChatGPT와의 논문 토론, Codex 프롬프트를 통한 구현, LLM 지원 코드 검토 및 수정을 반복하는 반복적 워크플로를 따른다. 코드베이스는 여러 알고리즘과 솔버 구성 요소를 구현하지만, 평가는 코어 유도(core-guided) 최적화, 경량 전처리, 코어 최소화(core minimization), 정수 선형 최적화(integer linear optimization) 백엔드 통합, 그리고 새로운 코어 시퀀스 선행 조회(core-sequence lookahead) 접근법을 결합한 구성에 초점을 맞춘다. 우리의 경험에 따르면 LLM은 논문으로부터 솔버 구현을 지원할 수 있으나, 외부 검증, 벤치마킹, 인간의 안내가 필요하다. 실험에서 퍼징(fuzzing)과 MaxSAT Evaluation 인스턴스는 테스트된 구성에서 오답을 드러내지 않았지만, 성능은 최고의 수작업 설계 MaxSAT 솔버보다 낮은 수준에 머문다. 무엇이 효과적이었는지, 무엇이 여전히 어려웠는지, 향후 LLM 지원 솔버 개발을 위한 교훈을 요약한다.