PyTorchKR Papers

최신 논문

총 21편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02480v2cs.AI

MEA: 충실한 모델 설명을 위한 보상 기반 다중 에이전트 시스템

MEA: A Reward-Driven Multi-Agent System for Faithful Model Explanations

최근 중요도가 높은 고위험 영역에서 수많은 머신러닝(ML) 모델이 도입되고 있지만, 그 예측을 바탕으로 행동해야 하는 실무자들에게 이러한 모델은 여전히 대부분 불투명한 상태로 남아 있습니다. 사후(post-hoc) 설명 방법들이 모델의 동작을 들여다볼 수 있는 시각을 제공하긴 하지만, 이를 효과적으로 다루기 위해서는 대부분의 도메인 전문가들이 갖추지 못한 전문 지식이 필요합니다. 즉, 고차원 출력을 탐색하고, 최적의 설명을 선택하며, 이질적인 도구들 전반에 걸친 증거를 종합해야 합니다. 이를 위해 본 연구에서는 설명에 필요한 전문 지식의 장벽을 완전히 제거하는 다중 에이전트 프레임워크인 MEA를 제시합니다. 제안자(Proposer) 에이전트는 질문과 양식(modality)에 따라 설명 도구를 선택하고 구성하며, 실행자(Actor) 에이전트는 충실도(faithfulness)를 기준으로 엔드투엔드 최적화되어 테이블, 텍스트, 비전 양식 전반에 걸쳐 모델 동작에 기반(grounding)한 자연어 설명으로 출력을 변환합니다. 나아가, 특징 기여도(feature attribution), 반사실적 추론(counterfactual reasoning), 거짓 특징(spurious feature) 탐지를 아우르는 다양한 질문 유형을 도입하고, 각각을 섭동 기반 충실도 지표와 짝지었습니다. 연구 결과, 프론티어 대규모 언어 모델(LLM)들은 체계적으로 충실하지 못한 설명을 생성하는 것으로 나타났습니다. 양식 적응형 페널티로 강화된 충실도 보상에 대해 최적화함으로써, MEA는 6개 데이터셋 전반에서 기존 사후 설명 기법, 에이전트 기반 베이스라인, 상용 폐쇄형 베이스라인을 일관되게 능가했으며, 보상 기반 최적화를 통해 학습되지 않은 백본 대비 충실도가 테이블에서 +28%, 텍스트에서 +21%, 비전에서 +34% 향상되었습니다. 더 넓게는, 본 연구 결과는 AI 에이전트 자체가 머신러닝 설명가능성(explainability)을 위한 확장 가능하고 적응력 있는 인터페이스 역할을 할 수 있음을 시사하며, 오랫동안 이 분야를 규정해 온 고정된 단일 목적 도구를 넘어 일반화되는 자연어 설명가능성으로 향하는 길을 열어줍니다.

arXiv:2609.04820v3cs.CR

Cost-Aware Hierarchical Multi-Agent Ransomware Detection and Family Attribution

Sandbox execution and memory forensics are among the most resources intensive stages of malware triage. Static analysis can scale to millions of files while dynamic and memory analysis require minutes per sample. Because multimodal ransomware detectors often apply every modality to every sample, costs and latency rise even when static evidence suffice.We proposea cost aware Hierarchical Multi Agent System (HMAS) that frames evidence acquisition as a budgeted sequential decision problem enabling timely ransomware detection. Specialist agents generate schema validated risk signals for each modality while domain controllers aggregate evidence and coordinate analysis. The orchestrator starts with static evidence and escalates only if confidence is low or signals disagree. A locally hosted language model provides a limited, accoutable review without replacing the deterministic pipeline. Experiments on 16 ransomware families show 94.12% binary accuracy (F1 0.9376, ROC-AUC 0.9989). For multi class family attribution, it achieves 98.90% accuracy (macro-F1 0.9748). The system resolves 57.95% of the samples using static analysis alone whhile only 6.21% require the full pipeline. Compared with exhaustive cost of 12.0 units,the proposed system reduces te average cost to 6.724 units, representing approximately 44% saving. Zero day experiments further examine generalization to unseen ransomware families. Additional evaluations examine cost sensitivity and component level contribution. LLM-assisted review provides only marginal improvement in F1 while introducing additional computational overhead. Overall, the results show the potential of adaptive hierarchical multi agent orchestration to balance ransomware detection performance, family attribution analysis cost and decision latency.

arXiv:2605.21347v4cs.AI

Insights Generator: 대규모 언어 모델(LLM) 에이전트를 위한 체계적인 말뭉치 수준 실행 추적 진단

Insights Generator: Systematic Corpus-Level Trace Diagnostics for LLM Agents

대규모 언어 모델(LLM) 에이전트(agent)의 실패를 진단하는 작업은 여전히 대부분 수작업으로 이루어집니다. 실무자들은 실행 추적(execution trace)의 작은 하위 집합을 검토하고, 임시 가설을 세우며, 이를 반복하여 개선합니다. 이러한 방식은 전체 추적 집단에 걸쳐서만 나타나는 패턴을 놓치며, 개별 추적이 수만 개 토큰(token)에 달하는 프로덕션 말뭉치에는 확장 적용되지 않습니다. 본 논문에서는 말뭉치 수준의 추적 진단 문제를 공식화합니다. 실행 추적 말뭉치가 주어졌을 때, 추적 그룹 전반에 걸친 체계적인 행동 패턴을 규명하고 각각을 뒷받침하는 증거와 연결하는 그라운딩(grounding)된 자연어 인사이트를 생성하는 것이 목표입니다. 저자들은 추적 말뭉치 전반에 걸쳐 가설을 제안하고 검증함으로써 진단 질문에 답하고 증거 기반의 인사이트 보고서를 생성하는 다중 에이전트 시스템인 Insights Generator(IG)를 제안합니다. 루브릭 기반 보고서 평가와 IG 인사이트를 적용하여 달성한 다운스트림 성능 향상을 포함하여 정성적 및 객관적 차원에서 IG를 평가합니다. IG 보고서를 활용한 인간 전문가는 수정되지 않은 기준선(baseline) 스캐폴드 대비 스캐폴드 성능을 30.4%p 향상시켰으며, IG에서 도출된 인사이트를 활용한 코딩 에이전트는 일관되고 안정적인 성능 향상을 보였습니다. 여러 벤치마크(benchmark)에 걸쳐 IG의 정찰-조사관(scout-investigator) 아키텍처는 경쟁 접근법과 비교해 탐지 범위 면에서 대등한 결과를 도출한 반면, 도메인 전문가들은 IG 보고서의 심층성과 증거 품질을 최고 수준으로 평가했습니다.

arXiv:2603.21152v4physics.geo-ph

TRACE: 지진학을 위한 자율적 물리 추론 멀티 에이전트 시스템

TRACE: A Multi-Agent System for Autonomous Physical Reasoning for Seismology

현대 지진 관측망은 지진 시퀀스를 전례 없는 세부 수준으로 분해해내지만, 진화하는 단층계로부터 어떻게 대규모 지진이 발생하는지(emerge) 설명하는 것은 여전히 어렵습니다. 본 논문에서는 관측 데이터부터 물리적 해석에 이르기까지 감사 가능한 증거 사슬을 보존하면서 워크플로를 계획하고 실행하는 지진학 기반 인공지능 에이전트인 TRACE를 소개합니다. 저자들은 104개의 벤치마크 태스크와 상호보완적인 두 가지 지진 시퀀스를 통해 TRACE를 평가했습니다. 연구가 잘 이루어진 2019년 리지크레스트(Ridgecrest) 시퀀스에 대해, TRACE는 연속 파형으로부터 고해상도 지진 목록(catalog)을 구축하고 사전에 규정된 목표 해석 없이도 Mw 6.4 및 Mw 7.1 지진 사이의 지연된 연쇄적 활성화를 소급적으로 복원했습니다. 이해도가 상대적으로 낮은 일본 북동부 해역의 2025-2026 산리쿠(Sanriku) 시퀀스에서는 분절된 메가쓰러스트(megathrust) 내 점진적 불안정화에 대한 검증 가능한 해석을 도출했습니다. TRACE의 종합적 분석은 MJ 6.9 시퀀스 주변의 연계된 지진성-비지진성(seismic-aseismic) 활성화 및 이후 지속적으로 발생한 공간적으로 분절된 천부 경계면 활동을, 과거 대규모 동진성 미끄러짐(coseismic slip) 지역 사이에 위치하며 이후 MJ 7.7 파쇄를 일으킨 메가쓰러스트 패치와 연결했습니다. 이러한 결과는 지진 관측으로부터 검증 가능한 물리적 통찰로 나아가는 경로를 열어줍니다.

arXiv:2610.01870v1cs.CV

픽셀에서 정책까지: 개입 및 지리공간 의사결정 지원을 위한 멀티 에이전트 시스템

From Pixels to Policy: A Multi-Agent System for Intervention and Geo-Spatial Decision Support

도시 환경은 건강, 안전, 삶의 질에 장기적인 영향을 미치는 디자인 선택에 의해 형성되지만, 제안된 개입(intervention) 방안을 평가하는 것은 여전히 비용과 시간이 많이 소요되며 비현실적인 경우가 많습니다. 기존의 지리공간 비전(geospatial vision) 방식은 주로 항공 및 스트리트 뷰(street-view) 영상에서 도시 지표를 모니터링하는 데 집중할 뿐, 개입을 제안하고 그러한 지표에 미치는 영향을 추정하는 데는 이르지 못했습니다. 본 연구에서는 단순 인식을 넘어, 주어진 항공 또는 스트리트 뷰 영상에서 목표 지표를 개선하는 개입 방안을 탐색하는 문제를 도입합니다. 본 논문에서는 블랙박스 지표 모델과 생성형 편집 모델을 결합하면 개입 가설을 테스트하기 위한 암시적 디지털 트윈(implicit digital twin) 역할을 수행할 수 있음을 주장합니다. 이에 따라 시각적으로 현실적이면서도 실제 정책과 부합하는 개입안을 생성하기 위해 세그멘테이션(segmentation), 확산(diffusion) 기반 인페인팅(inpainting), 지표 점수화 모델을 조율하여 이러한 개입 공간을 탐색하는 멀티 에이전트 시스템인 VIDA-Geo를 제시합니다. 항공 및 스트리트 뷰 영상 전반에서 체감 안전성 및 녹지와 같은 요소의 변화를 측정하며 8가지 지표에 대해 시스템을 평가했습니다. 본 접근 방식은 많은 사례에서 기존 베이스라인을 능가하여 최대 2배 더 높은 시각적 품질과 정책 부합도 점수를 달성했습니다. 마지막으로, 본 모델은 사용자에게 다수의 후보 개입안을 제공함으로써 전문가 도시 계획자가 참여하는 city-planner-in-the-loop 워크플로를 지원합니다.

arXiv:2607.22549v1cs.AI

QFoldAgent: 단백질 구조 예측을 위한 자율적 양자 최적화 다중 에이전트 시스템

QFoldAgent: An Autonomous Quantum Optimization Multi-Agent System for Protein Structure Prediction

하이브리드 양자-고전 단백질 구조 예측은 해밀토니안(Hamiltonian) 패널티 가중치에 크게 의존하지만, 기존 격자(lattice) 기반 워크플로는 일반적으로 이러한 계수를 수동으로 고정하고 시뮬레이션에서 매우 짧은 단편(fragment)만 평가한다. 본 논문은 QFoldAgent를 제안한다. 이는 5-잔기(residue) tetrahedral-lattice 접힘(folding)을 위한 폐루프(closed-loop) 다중 에이전트 프레임워크로, 설계 에이전트(design agent)가 서열 조건부 패널티를 제안하고, VQE 기반 양자-고전 파이프라인이 Qiskit Aer 노이즈 하에서 결과 해밀토니안을 최적화하며, 피드백 에이전트(feedback agent)가 에너지 지형(energy-landscape) 진단과 MolProbity 검증(validation) 신호를 사용하여 사이클에 걸쳐 패널티를 정교화한다. RMSD와 같은 정답(ground-truth) 지표는 에이전트에게 절대 노출되지 않으며 평가에만 사용된다. 프레임워크를 두 개의 상보적 데이터셋에서 연구한다: 알려진 구조를 가진 QDockBank 유래 55개 단편과 100개의 커버리지 최적화된 미관측(unseen) 서열. QDockBank 벤치마크에서 QFoldAgent는 중앙값 RMSD를 3.64 Å에서 3.20 Å로 낮추며, 가장 어려운 타깃에서 가장 큰 향상을 보인다. 미관측 서열에서는 폐루프가 구조적 유효성을 87.5%에서 98.7%로 높이고, 초기에 유효하지 않았던 사례의 87%를 회복하며, 가장 강력한 컨트롤러는 96% Ramachandran-favored geometry를 유지하면서 87%의 서열에서 cycle-3 에너지를 개선한다. 이 결과는 반복적 에이전트 제어가 5-잔기 양자 설정에서 최적화 동작을 체계적으로 개선하고 실패 사례를 줄일 수 있음을 보여준다.

arXiv:2511.00651v2cs.AI

자동화된 통신 네트워크 트러블슈팅을 위한 다중 에이전트 시스템(MAS)과 파인튜닝된 소형 언어 모델(SLM) 활용

Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting

통신 네트워크는 규모와 복잡성이 빠르게 증가하고 있어 효과적인 관리, 운영, 최적화가 점점 더 어려워지고 있다. 인공지능(AI)이 많은 통신 작업에 적용되어 왔음에도 불구하고, 기존 모델들은 적용 범위가 좁고, 대량의 레이블된 데이터를 필요로 하며, 이기종 배포 환경에 대한 일반화에 어려움을 겪는다. 이로 인해 네트워크 트러블슈팅은 근본 원인과 수정 조치를 파악하기 위해 다양한 데이터 소스를 수동으로 연관 짓는 분야 전문가(SME)에 여전히 크게 의존하고 있다. 이러한 한계를 해결하기 위해, 우리는 대규모 언어 모델(LLM)이 완전 자동화된 네트워크 트러블슈팅을 위한 여러 특화 도구를 조율하는 에이전트 워크플로우를 채택한 다중 에이전트 시스템(MAS)을 제안한다. AI/ML 기반 모니터가 장애를 감지하면, 프레임워크는 오케스트레이터, 솔루션 플래너, 실행기, 데이터 검색기, 근본 원인 분석기 등의 에이전트를 동적으로 활성화하여 단시간 내에 문제를 진단하고 수정 전략을 권고한다. 이 시스템의 핵심 구성 요소는 내부 문서를 기반으로 적절한 수정 계획을 생성하는 솔루션 플래너다. 이를 위해 도메인 기반의 솔루션 계획을 생성할 수 있도록 독점 트러블슈팅 문서로 소형 언어 모델(SLM)을 파인튜닝하였다. 실험 결과, 제안된 프레임워크가 무선 접속 네트워크(RAN)와 코어 네트워크 도메인 모두에서 트러블슈팅 자동화를 크게 가속화함을 보여준다.

arXiv:2508.20134v2cs.AI

QAgent: 자율적 OpenQASM 프로그래밍을 위한 대규모 언어 모델 기반 다중 에이전트 시스템

QAgent: An LLM-based Multi-Agent System for Autonomous OpenQASM programming

OpenQASM 수준에서의 양자 회로 프로그래밍은 하드웨어 인식 최적화와 잡음이 있는 중간 규모 양자(NISQ) 장치에서의 신뢰할 수 있는 실행을 달성하는 데 필수적이지만, 도메인 특화 계획 수립, 반복적인 코드 합성, 저수준 캘리브레이션의 필요성으로 인해 여전히 어렵다는 과제가 남아 있다. 본 논문에서는 엔드-투-엔드 OpenQASM 코드 생성을 위한 최초의 자율적 다중 에이전트 프레임워크인 QAgent를 제시한다. QAgent는 스키마 인식 태스크 계획 수립, 예제 및 도구 기반 코드 합성, 하드웨어 인식 캘리브레이션을 통합된 계획-합성-캘리브레이션 워크플로우 내에 통합한다. 이 시스템은 검색-증강 생성(RAG)을 활용하여 구조화된 커널 지식, 예제, 백엔드 제약 조건에 접근하고, 정확성 보장을 위해 반복적인 실행 피드백과 결합된 조율된 다중 에이전트 추론을 사용한다. 우리는 5개의 대규모 언어 모델(LLM)에 걸쳐 12개의 대표적인 양자 커널과 그 조합에 대해 QAgent를 평가한다. 결과에 따르면 QAgent는 단일 커널 태스크에서 Pass@1 정확도를 47-70% 향상시키고, 대형 모델의 다중 커널 워크플로우에서 88% 이상의 정확도를 달성하여 기존 기준선을 크게 상회한다. 또한, 현실적인 하드웨어 주파수 드리프트 환경에서 QAgent는 자동화된 캘리브레이션을 통해 거의 완전한 실행 충실도를 유지하는 반면, SDK 기반 LLM 방법은 상당한 성능 저하를 겪는다. 이러한 결과는 계획 수립, 합성, 캘리브레이션의 통합이 신뢰할 수 있는 양자 프로그램 생성에 핵심적임을 보여준다. QAgent의 구현 코드는 https://github.com/fuzhenxiao/QAgent 에서 오픈소스로 공개되어 있다.

arXiv:2507.22758v2cs.CL

MASCA: 신용 평가를 위한 LLM 기반 다중 에이전트 시스템

MASCA: LLM based-Multi Agents System for Credit Assessment

신용 평가(credit assessment)에 LLM 기반 계층적 다중 에이전트 시스템 MASCA를 제안하며, 데이터 수집·맥락화, 다차원 위험-보상 평가, 전략적 최적화 레이어로 구성된 아키텍처와 대조 학습을 결합해 기존 제로샷 및 단일 에이전트 기준선 대비 GPT-4o와 o3-mini 이종 조합에서 정확도 60%, F1 73.33%로 최대 20%p 이상 성능을 향상시켰다.

arXiv:2607.06435v1cs.AI

세부 기록에서 H. pylori 발견: 위 생검 보고서의 근거 연결 다중 에이전트 케이스 파인딩

Finding H. pylori in the Fine Print: Evidence-Linked Multi-Agent Case Finding from Gastric Biopsy Reports

위 생검 병리 보고서에서 H. pylori 양성 여부 등 4개의 임상 이진 필드를 자동으로 추출하기 위해 필드명 기반 근거 연결 다중 에이전트 시스템(nMAS)을 싱가포르 의료기관의 익명화 보고서 54건에 적용한 결과, 216개 분류 결정 중 213개를 올바르게 판별하여 98.61%의 전체 정확도를 달성하였다. 예측 성능보다는 근거 원문 문장을 포함한 추적 가능한 워크플로우 통합이 핵심 기여점이며, 수작업 대비 검토 시간을 83.3 직원-시간에서 1.4 직원-시간으로 대폭 단축할 수 있음을 시사한다.

arXiv:2510.19600v2cs.SE

Human-Agent Collaborative Paper-to-Page Crafting

AutoPage는 학술 논문에서 인터랙티브 프로젝트 웹페이지를 자동 생성하는 멀티 에이전트(multi-agent) 시스템으로, 내러티브 계획부터 멀티모달 콘텐츠 생성, 인터랙티브 렌더링까지 이어지는 coarse-to-fine 파이프라인과 환각(hallucination) 방지를 위한 Checker 에이전트 및 선택적 인간 개입 체크포인트를 통합한다. 또한 이 작업을 위한 최초의 벤치마크인 PageBench를 구축하여 평가한 결과, AutoPage는 Gemini-2.5-Flash 기준으로 0.1달러 미만의 비용과 15분 이내의 시간으로 고품질 웹페이지를 생성함을 입증하였다.

arXiv:2606.31976v1cs.AI

TreeAgent: A Generalizable Multi-Agent Framework for Automated Bias Labeling in Forestry via Compiled Expert Rules and Vision-Language Models

임업 원격 탐사에서 나무 높이 편향(bias) 분류를 자동화하기 위해, 전문가 결정 트리를 구조적 사전 정보로 활용하고 비전-언어 모델(VLM)을 개별 노드의 시각적 지각에 적용하는 다중 에이전트 시스템(MAS) TreeAgent를 제안한다. 전문가 규칙을 실행 가능한 결정 그래프로 컴파일하는 D3(Decoupled Declarative Decision) 프레임워크를 통해, 기존 지도학습 ML 베이스라인(Macro-F1 36.2%) 대비 67.6% Macro-F1을 달성하면서도 전문가 어노테이션 비용을 대폭 절감했다.

arXiv:2606.31461v1cs.AI

CSTrader: A Testbed for Language-Grounded Trading in a Community-Driven Virtual Asset Market

CS2 무기 스킨 시장처럼 커뮤니티 논의와 플랫폼 규칙에 크게 의존하는 틈새 자산 시장에서 대규모 언어 모델(LLM)의 트레이딩 의사결정을 연구하기 위해, 기술적 분석·유동성·이벤트·역방향 감성 등 특화된 에이전트로 구성된 다중 에이전트 프레임워크 CSTrader를 제안한다. 실제 CS2 데이터를 활용한 고변동성 기간 평가에서 CSTrader는 시장 지수(-15.62%) 및 단일 프롬프트 LLM 기준선을 모두 상회하며 최대 7.58%의 누적 수익률을 달성했으며, 유동성·역방향 감성·거래 마찰 에이전트가 안정적 수익 창출에 핵심적임을 에블레이션 실험으로 확인했다.

arXiv:2606.30259v1cs.CL

허위정보 위협 완화를 위한 오픈소스 LLM 기반 멀티 에이전트 시스템

Multi-Agentic System Leveraging Open-Source LLMs to Mitigate Disinformation Threats

현대 사회에서 허위정보(disinformation)의 위협은 전자 통신, 소셜 미디어의 확산 및 인공지능의 발전으로 인해 심각한 수준에 이르렀다. 이에 따라 이 위협을 완화할 효과적인 대응책 개발이 시급하다. 그러나 문제의 규모가 방대하여 수작업 팩트체킹(fact-checking) 및 인간 기반 검증은 역부족이며, 허위정보를 탐지하고 반박하는 자동화된 방법의 필요성이 강조된다. 본 논문은 허위정보 탐지 작업에 참여하는 인간 어노테이터(annotator)의 의사결정 과정을 모방하는 멀티 에이전트 시스템에 기반한 새로운 접근법을 제안한다. 인간 어노테이터의 행동에서 영감을 받아 합의 메커니즘, 인지적 다양성 및 지식의 다양성, 그리고 계층적 구조를 통합함으로써, 제안된 방법은 GPT-4 및 GPT-3.5를 포함한 개별 대규모 언어 모델(LLM)과 비교하여 우수한 결과를 달성한다. 이 시스템은 더 높은 투명성을 보장하기 위해 오픈 모델(예: LLaMA, Kimi, Qwen, Deepseek, LLaMA-Nemotron)을 활용한다. 제안된 방법의 평가는 영어(고자원), 폴란드어(중자원), 슬로바키아어(저자원), 불가리아어(저자원) 등 자원 가용성이 다양한 언어의 데이터셋을 포함한다. 실험은 직접적인 허위정보 탐지, 검증이 필요한 텍스트 식별, 검증 가능한 사실적 주장을 포함하는 텍스트 탐지 등의 과제에 대해 수행되었다.

arXiv:2606.28360v1cs.IR

Carolina Guide: A Multi-Agent RAG System with Institutional Guardrails for Academic Policy Assistance

University students often struggle to navigate complex academic policies, leading to advising bottlenecks and delayed access to critical information. Although large language models (LLMs) offer promise for automated assistance, their tendency toward hallucination and inability to enforce institutional constraints make them unsuitable for high-stakes policy guidance without careful architectural design. We present Carolina Guide, a retrieval-augmented generation (RAG) system for academic policy assistance at the University of South Carolina (USC). The system employs a modular multi-agent pipeline with institutional guardrails to provide citation-supported, policy-grounded answers to student queries while refusing unsafe requests such as course recommendations or personalized advising. We evaluate the system on a 90 query test set across 6 departments, achieving 98.9% retrieval success at the >= 2 threshold (genuinely relevant results) with the first relevant chunk at rank-1 for 98.9% of queries (MRR at 10 for rel >= 2 = 0.989). Through systematic baseline comparisons and ablation studies, we show that each architectural component-MMR reranking, adequate retrieval context (k=20), and citation enforcement-contributes measurable practical value despite limited statistical power at 90 queries. The evaluation of the guardrail on 30 adversarial queries demonstrates Safety F1 of 0.89, correctly refusing 86% of unsafe queries while maintaining 93% coverage of benign queries. These results show that production-ready LLM systems for institutional policy guidance require rethinking standard RAG patterns to prioritize safety, transparency, and departmental autonomy over conversational sophistication.

arXiv:2606.25651v2cs.CL

MedGuards: 신뢰할 수 있는 의료 오류 탐지 및 교정을 위한 다중 에이전트 시스템

MedGuards: Multi-Agent System for Reliable Medical Error Detection and Correction

대규모 언어 모델(LLM)이 의료 환경에 점점 더 배포됨에 따라, 생성되거나 기존에 존재하는 텍스트에서의 정확한 오류 탐지 및 교정은 환자 안전에 위험을 초래할 수 있는 사소한 실수조차 중요해지므로 필수적이 되었다. 오류 탐지 및 교정을 위한 기존 방법들—자동화된 검사와 휴리스틱 기반 접근을 포함하여—은 보지 못한 데이터셋에 대해 잘 일반화되지 못한다. 본 논문에서는 MedGuards를 의료 안전 가드레일로 제안하며, 이는 의료 오류 탐지 및 교정을 다중 에이전트 문맥 내 학습(ICL) 과제로 다루는 새로운 프레임워크이다. 전문화된 에이전트들이 오류를 각각 탐지, 위치 특정, 교정하고, 신뢰도 기반 중재 메커니즘이 추론 추적(reasoning traces)과 신뢰도 점수를 사용하여 의견 불일치를 해결한다. 이 설계는 기본 LLM의 추가 학습을 요구하지 않으면서 해석 가능성, 견고성, 적응성을 향상시킨다. 또한, 참조 텍스트 내 핵심 키워드가 올바르게 생성되었는지를 고려하는 새로운 평가 지표인 Keyword-Prioritized Correction Score(KPCS)를 도입하여, 기존 지표보다 더 포괄적인 평가를 제공한다. 임상 기록으로 구성된 4개의 다국어 의료 데이터셋에 걸친 실험은 제안된 프레임워크가 여러 지표와 모델에서 유의미한 개선을 보여줌을 입증한다. 우리의 목표는 실제 의료 응용에서 LLM의 더 안전한 배포를 가능하게 하는 것이다. 재현성을 위해 코드를 https://github.com/congboma/MedGuards 에 공개한다.

arXiv:2606.21963v1cs.AI

Holmes: 산업 규모 혼합 언어 모바일 크래시의 멀티모달 에이전트 진단

Holmes: Multimodal Agentic Diagnosis for Mixed-Language Mobile Crashes at Industrial Scale

초대규모 산업용 애플리케이션에서 모바일 크래시를 진단하는 것은 코드 규모, 혼합 언어 환경의 복잡성, 그리고 로컬에서 장애를 재현할 수 없다는 문제로 인해 매우 어려운 과제입니다. 기존 정적 분석은 확장성에 어려움을 겪으며, 기존 LLM 기반 에이전트는 사후 분석(post-mortem) 시나리오에서 이용할 수 없는 재현 가능한 환경에 의존하는 경우가 많습니다. 우리는 재현 없이 스택 트레이스, 로그, 스레드 상태 등 멀티모달 런타임 신호를 종합하여 장애 컨텍스트를 재구성하고 근본 원인 분석을 자동화하는 멀티 에이전트 시스템인 Holmes를 제안합니다. Holmes는 레지스터, 어셈블리 등 저수준 아티팩트를 활용하여 오픈소스 비즈니스 로직과 폐쇄형 시스템 프레임워크 간의 의미적 격차를 메우는 계층적 Retrieve-Explore-Reason 아키텍처를 도입합니다. 런타임 단서를 이용해 탐색 공간을 동적으로 압축함으로써 Holmes는 7천만 줄 규모의 코드베이스를 정밀하게 탐색하여 비국소(non-local) 결함을 식별합니다. WeChat의 실제 크래시로 평가한 결과, Holmes는 함수 수준 결함 위치 특정(fault localization)에서 87.6%의 정확도를 달성했으며 평균 조사 시간을 98% 이상 단축(약 77초)하여, 노동 집약적인 디버깅을 효율적인 검증 워크플로로 전환하는 효과를 보여줍니다.

arXiv:2606.20643v1cs.AI

SPARC: 전기 회로 질의응답을 위한 멀티 에이전트 시스템

SPARC: A Multi-Agent System for Electrical Circuit Question Answering

전기 회로도 QA 작업은 복잡한 수학적 추론을 요구하며, 이는 멀티모달 LLM에게 여전히 어려운 과제이다. 우리는 실행 가능한 물리 기반 시뮬레이션에 추론을 그라운딩(grounding)하여 회로도 질문에 답하는 멀티 에이전트 시스템 SPARC를 제시한다. SPARC는 LLM 에이전트를 사용해 시뮬레이션 프로그램을 합성, 실행, 분석함으로써 설계상 정확도와 신뢰성을 높인다. 83%의 정확도를 달성하며, 베이스라인 대비 최대 58%p의 절대 향상을 보이면서 체계적인 오류 진단을 가능하게 한다.

arXiv:2606.19319v1cs.MA

데이터 인텔리전스 에이전트: 자율 코딩 에이전트를 통한 기업 데이터 해석, 모델링 및 쿼리

Data Intelligence Agents: Interpreting, Modeling, and Querying Enterprise Data via Autonomous Coding Agents

기업 데이터 통합에서 데이터 소유자·엔지니어·분석가 간 반복적 인계 병목을 줄이기 위해, 자율 코딩 에이전트(ACA)를 일급 추상화로 삼은 데이터 인텔리전스 에이전트(DIA)를 제안한다. 데이터 인터프리터, 스키마 생성자, 쿼리 생성기가 실행 가능한 아티팩트를 생성·검증·수정하고 공유 메모리로 경험을 재사용하며, 쿼리 생성기는 4개 작업 범주·4개 SQL 방언에 걸친 7개 벤치마크에서 기존 최고 결과와 동등하거나 그 이상의 성능을 보였다.

arXiv:2606.18976v1cs.SE

CAPRA: 다중 에이전트 LLM 시스템을 활용한 소프트웨어 아키텍처 산출물 피드백의 확장

CAPRA: Scaling Feedback on Software Architecture Deliverables with a Multi-Agent LLM System

소프트웨어 아키텍처 산출물의 구조적 완전성과 요구사항 추적성을 검토하기 위해 CAPRA라는 다중 에이전트 LLM 시스템을 제안하며, 텍스트·UML 다이어그램 멀티모달 추출과 증거 고정(Evidence Anchoring), ConsistencyManager 교차 검증으로 환각을 완화해 템플릿 준수 LaTeX 피드백을 생성한다. 10개 학생 보고서 예비 평가에서 엄격한 2인 평가 기준의 88.8%를 충족하고 평가자 간 일치도 kappa=0.582를 달성했으며 보고서당 약 4분에 처리되었지만, 주관적 평가 영역에서는 인간 감독이 여전히 필요하다.