PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.30294v2cs.CL

SlideLab: 청중 중심의 과학 발표 슬라이드 생성 및 평가

SlideLab: Audience-Centered Scientific Slide Generation and Evaluation

과학 발표는 연구 논문의 단순한 요약 그 이상입니다. 발표는 연구 내용을 일관된 순서로 제시하고, 핵심 아이디어를 명확히 설명하며, 청중이 발표를 쉽게 따라갈 수 있도록 도와야 합니다. 본 논문에서는 연구 논문으로부터 과학 발표 자료를 생성하는 학습(training) 불필요 멀티 에이전트(multi-agent) 프레임워크인 SlideLab을 제안합니다. SlideLab은 먼저 발표의 내러티브를 기획한 후, 콘텐츠 기획, 시각 자료 생성, 레이아웃 개선, 그라운딩(grounding) 검증을 담당하는 에이전트들을 활용하여 공유 슬라이드 덱을 구축하고 반복적으로 개선합니다. 블라인드 인간 선호도 평가에서 SlideLab은 가장 강력한 오픈소스 기준선(baseline) 대비 약 4배 적은 추론(inference) 토큰을 사용하면서도, 77%의 논문에서 오픈소스 및 상용 시스템 모두보다 높은 선호도를 기록했습니다. 또한 회의실 환경을 시뮬레이션하고 슬라이드별로 발표를 평가하는 청중 지향적 평가 프레임워크인 ConfArena를 소개합니다. ConfArena는 인간의 시스템 순위 평가와 일치하며 위조된 수치, 품질이 저하된 그림, 누락된 슬라이드, 뒤섞인 슬라이드 순서 등 인위적으로 주입된 발표 결함을 정확히 탐지합니다.

arXiv:2607.00407v1cs.AI

Personalization as Inverse Planning: Learning Latent Design Intents for Agentic Slide Generation via Structural Denoising

Slide design requires personalizing both deck themes and page layouts. Yet, current AI agent-based methods struggle with fine-grained, page-level design. Solely relying on prespecified templates or user verbose instructions, they fail to capture latent design intents, leaving Page-level Slide Personalization (PSP) unresolved. To close this gap, this work formulates PSP as an inverse planning problem. We propose to learn a design intent without assuming any knowledge of the specific executing tools (e.g., PowerPoint, Beamer) being used. However, relinquishing control over these tools makes the problem intractable to optimize end-to-end. To overcome this, we propose SPIRE, a principled framework to solve PSP approximately. By intentionally corrupting the visual structures of clean slides, SPIRE creates a verifiable task to denoise the corruption, whereby two agents learn to collaboratively refine executable designs via reinforcement learning (RL). We present a proof that structural denoising is a consistent surrogate for PSP, and that the multi-agent formulation strictly reduces policy gradient variance in RL. Extensive experiments demonstrate the superiority of SPIRE.

arXiv:2606.19256v1cs.AI

X+Slides: 청중 조건부 슬라이드 생성 벤치마킹

X+Slides: Benchmarking Audience-Conditioned Slide Generation

소스 문서로부터 슬라이드 덱을 자동 생성하는 것은 대규모 언어 모델(LLM)의 중요한 응용이다. 기존 벤치마크는 주로 슬라이드의 완결성과 기술적 깊이를 평가하지만, 중요한 현실 요인인 대상 청중은 간과한다. 예를 들어 전문가는 엄밀한 증명을 요구하는 반면, 의사결정자는 실행 가능한 결론을 우선시한다. 이 격차를 메우기 위해, 우리는 청중 조건부 슬라이드 생성을 위해 특별히 설계된 벤치마크인 X+Slides를 제안한다. 113개 주제와 7가지 발표 장면에 걸친 다양한 코퍼스를 기반으로, X+Slides는 중복 제거된 8,133개의 소스 그라운딩(source-grounded) 프로브로 구성된 동적 평가 프레임워크를 사용한다. 동일한 소스 그라운딩 프로브에 청중별 유틸리티 가중치를 부여함으로써, X+Slides는 네 가지 상보적 지표를 보고한다: Audience Coverage(청중 커버리지)는 청중에게 필수적인 정보가 얼마나 전달되는지를 측정하고, Domain-wise Coverage(도메인별 커버리지)는 어떤 정보 유형이 포함되는지를 보여주며, Efficiency(효율성)는 단위 어텐션(attention) 비용당 전달된 유틸리티를 측정하고, Correctness(정확성)는 슬라이드의 주장이 소스에 의해 뒷받침되는지 검증한다. DeepPresenter, SlideTailor, NotebookLM에 대한 실험 결과, 현재 시스템들은 청중에게 필수적인 정보의 상당하지만 여전히 불완전한 부분을 회복할 수 있음을 보여준다: $τ_A=0.7$에서 DeepPresenter는 최고 Audience Coverage 0.714, SlideTailor는 0.594, NotebookLM ablation은 0.853에 도달하면서 뚜렷한 그라운딩(grounding) 차이를 보인다. 이러한 결과는 시각적 품질과 넓은 주제 커버리지를 소스 그라운딩 평가 없이 증거 지원의 근거로 취급해서는 안 됨을 시사한다.