PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.25051v1cs.CL

LLM 기반 학습 불필요 위치-속성 시너지 융합: 이중 출처 암호화 POI 및 LULC 매핑을 위한 폐루프 패러다임

LLM-Driven Training-free Location-Attribute Synergic Fusion: A Closed-Loop Paradigm for Dual-source Encrypted POIs and LULC Mapping

서로 다른 두 암호화 좌표계에서 얻은 POI인 이중 출처 암호화 관심 지점(DSEP, Dual-source encrypted points of interest)은 비선형 체계적 오정렬과 명칭 불일치를 비롯한 위치 및 속성 불확실성이 얽혀 있어 토지 이용/토지 피복(LULC) 매핑을 저해한다. 저자들이 아는 한, 본 논문은 DSEP 융합을 위해 LLM 기반의 학습 불필요(training-free) 위치-속성 시너지 폐루프 최적화 패러다임을 최초로 제안한다. 이 패러다임은 반복적인 피드백을 통해 위치 변환과 속성 대응 관계를 함께 정제한다. 속성 시너지 위치 융합은 LLM 기반 속성 매칭 방법으로 DSEP 대응 관계를 구축하여 매칭 복잡도를 O(N^2)에서 O(N)으로 줄이고, ISODATA로 군집화한 국소 하위 영역 내에서 개선된 입자 군집 최적화(particle swarm optimization) 알고리즘으로 변환 계수를 정제한다. 이어서 위치 시너지 속성 융합은 LLM-퍼지 방법을 통해 갱신된 기하학적 잔차로부터 속성 신뢰도를 다시 평가한다. 정제된 대응 관계는 다시 위치 최적화에 반영되어 양방향 폐루프를 형성한다. 표본 정제와 적응형 반경 축소를 통해 본질적으로 두 번의 반복만으로 수렴(convergence)에 도달한다. 또한 위치 융합을 통해 암호화 지도로부터 토지 이용 클래스를 상속받아 벡터-래스터 통합 LULC 지도를 생성하는 학습 불필요 LULC 매핑 방법을 추가로 제안한다. 중국 본토의 31개 성도 및 직할시에 걸쳐 참조 데이터가 필요 없는(reference-free) POI 융합 평가 방법을 적용하였다. 실험 결과, 제안한 방법은 평균 DSEP 위치 융합 잔차 4.58 m, 속성 융합 정확도 95.12%를 달성하여 오픈소스 기준선(baseline) 및 최신 기술 수준(state-of-the-art) 방법 대비 각각 1.77 m, 14.87% 향상되었다. 종합하면, 본 방법은 DSEP 융합을 위한 학습 불필요 솔루션을 제공하며, 현장 측량 지상 기준점 없이도 암호화된 벡터 데이터를 WGS-84로 지리참조(georeferencing)할 수 있게 한다.

arXiv:2605.08704v2cs.AI

AgentPSO: 다중 에이전트 입자 군집 최적화를 통한 에이전트 추론 스킬 진화

AgentPSO: Evolving Agent Reasoning Skill via Multi-agent Particle Swarm Optimization

다중 에이전트 추론은 여러 에이전트가 다양한 추론 경로를 탐색하도록 함으로써 대규모 언어 모델(LLM)의 문제 해결 능력을 향상시키는 데 유망함을 보여 주었다. 그러나 기존 다중 에이전트 방법의 대부분은 추론 시점의 토론이나 집계에 의존하며, 이는 잘못된 동료 영향과 편향된 합의에 취약할 수 있다. 또한 에이전트 자체는 정적(static)으로 남아 있어, 기반 추론 스킬이 과제 간에 진화하지 않는다. 본 논문에서는 다중 에이전트 추론 스킬을 진화시키기 위한 입자 군집 최적화(PSO) 영감 프레임워크인 AgentPSO를 제안한다. AgentPSO는 각 에이전트를 입자와 유사한 추론자로 취급하며, 그 상태는 자연어 스킬이고 속도(velocity)는 의미적 갱신 방향이 되어, 에이전트를 더 높은 성능의 스킬 구성으로 반복적으로 안내한다. 학습 반복(iteration)에 걸쳐 각 에이전트는 이전 속도, 개인 최적(personal-best) 스킬, 전역 최적(global-best) 스킬, 그리고 동료 추론 궤적에서 유도된 자기 성찰(self-reflective) 방향을 결합하여 스킬을 갱신한다. 이를 통해 에이전트는 백본 언어 모델의 매개변수를 갱신하지 않고도, 자신의 경험과 집단에서 발견된 가장 강력한 스킬을 활용하여 재사용 가능한 추론 행동을 학습할 수 있다. 수학 및 일반 추론 벤치마크에서의 실험은 AgentPSO가 정적 단일 에이전트 스킬 및 테스트 시점 전용(test-time-only) 다중 에이전트 추론 기준선(baseline)보다 우수함을 보여준다. 진화된 스킬은 또한 벤치마크 간 및 다른 백본 모델로 전이(transfer)되어, AgentPSO가 벤치마크별 프롬프트를 단순히 최적화하는 것이 아니라 재사용 가능한 추론 절차를 포착함을 시사한다. 코드는 https://github.com/HYUNMIN-HWANG/AgentPSO/ 에서 공개적으로 이용할 수 있다.