PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.14896v1cs.SE

StructureClaw: 구조 공학 워크플로를 위한 추적 가능한 LLM 에이전트와 실행 가능한 벤치마크

StructureClaw: Traceable LLM Agents and an Executable Benchmark for Structural Engineering Workflows

구조 공학 요청을 처리하려면 단일 답변 이상이 필요하며, 해석된 요구사항, 계산 가능한 모델, 검증 기록, 솔버 출력, 코드 적합성 검토 기록, 최종 보고서로 이루어진 상호 의존적인 아티팩트 체인이 필요하다. 질의응답이나 스크립트 생성에 중점을 둔 평가는 이러한 완전한 증거 체인을 거의 검증하지 않으며, 따라서 기초 공학 워크플로가 불완전하거나 내부적으로 일관되지 않거나 실행 불가능한 경우에도 유창한 출력에 보상을 줄 수 있다. 이 한계를 해결하기 위해, LLM 에이전트가 거버넌스가 적용된 공학 스킬, 타입이 지정된 도구, 공유 아티팩트 상태, 로컬 분석 백엔드를 통해 동작하는 아티팩트 중심 워크벤치인 StructureClaw를 제안한다. 또한 표준 워크플로 실행, 대화형 견고성, 멀티모달 구조 모델 재구성을 아우르는 150개의 통제된 시나리오로 구성된 실행 가능 벤치마크 StructureClaw-Bench를 소개한다. 시나리오는 필요한 모든 아티팩트 수준 및 실행 수준 단언이 단일 실행에서 통과할 때만 성공한다. 10가지 에이전트-모델 구성 각각이 동일한 50개 표준 사례에서 평가된 결과, 평균 성공률(Success Rate)은 범용 스킬 기준선에서 56.8%에서 전체 자동 워크플로에서 88.6%로 상승한다. 대화형 및 멀티모달 평가는 두 가지 두드러진 남은 과제를 확인한다: 잘못된 수치 입력의 안전한 처리와 구조 모델의 fixture-일관적 재구성. 이 결과는 아티팩트 중심 평가가 최종 응답만으로는 식별하기 어려운 워크플로 수준의 실패를 드러낼 수 있음을 보여주며, 구조 공학 에이전트를 평가하고 개선하기 위한 더 엄밀한 기반을 제공한다. 코드와 벤치마크는 https://github.com/structureclaw/structureclaw 에서 이용할 수 있다.

arXiv:2606.18567v1stat.ML

전이학습을 통한 구조 취약성 모델링의 데이터 격차 해소: 방법론 및 사례 연구

Bridging Data Gaps in Structural Fragility Modeling through Transfer Learning: Methodology and Case Studies

본 논문은 도메인 이동, 클래스 불균형, 희소한 타겟 레이블 상황에서 취약성 적응을 위한 방법론 중심의 전이학습 프레임워크를 제시하며, 이를 통해 공학적 해석 가능성을 유지하고 불확실성 하의 의사결정을 지원합니다. 네 가지 전이학습 전략(인스턴스 기반, 매개변수 기반, 계층적 베이지안, 다중 소스)은 세 가지 상호 보완적인 사례 연구를 통해 입증됩니다: (i) 허리케인 카트리나 관측 데이터를 사용한 연안 교량 취약성 사례를 통해 입증된, 중요도 가중치를 통한 인스턴스 기반 전이학습; (ii) 허리케인 이안 관측 데이터를 사용한 주거용 건물 취약성 사례를 통해 입증된, 계층 간 부분 풀링 및 사후 불확실성 정량화를 가능하게 하는 매개변수 기반 전이학습과 계층적 베이지안 전이학습의 결합; (iii) 2001년 니스콜리 지진 관측 데이터를 사용한 내진 교량 취약성 사례를 통해 입증된, 학습된 소스 가중치와 정규화된 타겟 도메인 적응을 통해 여러 해석적 취약성 모델을 융합하는 다중 소스 전이학습. 이러한 사례 연구 전반에서 소스 모델(즉, 기존 최첨단 모델 사용)의 직접 전이는 도메인 이동과 심각한 클래스 불균형 하에서 실패하는 반면, 목표 적응은 저데이터 영역에서 파손 탐지와 예측 안정성을 실질적으로 향상시킵니다. 이러한 발견은 취약성 모델을 개발하고 적응시킬 때 진단, 전략 선택, 불확실성 보고에 대한 체계적인 지침의 필요성을 강조합니다.