PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27855v1cs.AI

AI 시스템에서의 도달 가능한 전역 최적화: 전역적이라는 것은 얼마나 전역적인가?

Reachable Global Optimization in AI Systems: How Global Is Global?

AI 시스템은 프롬프트, 정책, 아키텍처, 계획, 도구 사용 궤적, 추론 경로, 테스트 시간 연산(test-time computation)을 최적화(optimization)한다고 점점 더 많이 주장하고 있습니다. 본 논문에서는 최적화를 수행한 시스템이 실제로 도달 가능한(reachable) 영역을 명시하지 않는 한 이러한 주장은 명확하지 않다고(underspecified) 주장합니다. 우리는 생성기, 검증기(verifier), 제어기, 메모리, 도구 및 예산이 도달 가능한 후보 영역을 유도하는 모델인 RIO(Reachability-Induced Optimization)를 소개합니다. 따라서 반환된 해는 방문한 최적점, 근사 도달 가능 최적점, 또는 추가적인 증명서(certificate)가 도달 가능 영역을 전체 형식 공간과 연계할 때에만 정확한 전역 최적점(global optimum)이 됩니다. 우리는 도달 가능 최적성, 거짓 전역성(false-globality), 격차 분해(gap-decomposition), 증명서, 탈출, 가지치기(pruning) 및 제어 가치 결과를 증명합니다. 전체 벤치마크(benchmark) 기록에는 6개의 기저 최적값 환경 군(known-optimum landscape families), 7개의 제어 정책, 270개의 환경, 환경-방법당 35회의 실행에 걸쳐 실행된 66,150회의 시험(trial)이 포함되어 있습니다. 온라인 부록에는 원시 시험 기록, 집계 표, 그림, 벤치마크 코드, 검증(validation) 스크립트 및 체크섬이 포함되어 있습니다. 결과는 제어가 도달 가능성을 제한, 확장 또는 잘못 유도할 수 있으며, 최적화 품질, 도달 가능성 품질 및 제어 신뢰성을 분리하여 보고해야 함을 보여줍니다.