PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.00212v1cs.AI

EviGraph: 시간적 공공 서비스 지식 그래프 기반의 증명 수반 선택적 추천

EviGraph: Proof-Carrying Selective Recommendation over Temporal Public-Service Knowledge Graphs

공공 서비스 추천에는 요청된 서비스, 범위 및 날짜와 일치하는 근거가 필요하다. 그러나 누락된 모든 세부 사항을 결정적인 것으로 취급하면 유용한 추천이 보류될 수 있다. 본 논문에서는 미해결 상태로 남아 있어도 되는 정보와 핵심적인 결정 요건을 구분하는 EviGraph를 소개한다. 언어 에이전트(language agent)는 이러한 요건을 시간적 지식 그래프의 근거와 연결하며, 결정론적 검사기(deterministic checker)는 추천이 뒷받침되는지 여부를 확립한다. 실행 가능한 정책 참조가 포함된 이중 언어 홍콩 공공 서비스 벤치마크에 대한 평가 결과, 이러한 구분이 불필요한 기권(abstention)을 줄여주는 것으로 나타났다. 그러나 추가적인 검증은 결정 품질을 향상시키지 않으면서 뒷받침된 추천을 철회할 위험이 있다. 이러한 발견은 신뢰할 수 있는 근거 기반 탐색이 단순히 검증을 늘리는 것보다 결정을 위해 무엇이 확립되어야 하는지를 명시하는 것에 달려 있음을 시사한다.

arXiv:2607.14886v1cs.AI

시간적 지식 그래프 추론에서 효율적 목표 지향 경로 탐험을 위한 도달 가능성 인식 사전학습

Reachability-Aware Pretraining for Efficient Target-Oriented Path Exploration in Temporal Knowledge Graph Reasoning

외삽(extrapolation) 설정 하에서의 시간적 지식 그래프(TKG) 추론은 시간적 지식 그래프의 역사적 데이터로부터 미래의 시간 스탬프 이벤트(사실)를 예측하는 것에 초점을 맞춘다. 기존 접근 방식 중 강화학습(RL) 기반 다중 홉(multi-hop) 추론 방법은 명시적인 다중 홉 경로 추적을 통해 사람이 해석 가능한 예측을 생성하기 때문에 TKG 추론에서 두드러진다. 그러나 RL 학습 중 보상은 보통 희소하고, 방대하고 시간에 따라 변화하는 행동 공간(action space)으로 인해 탐험이 매우 비효율적이다. 이러한 문제는 효율적인 학습을 저해하고 종종 전반적인 성능을 제한한다. 이러한 과제를 해결하기 위해, 우리는 에이전트에 도달 가능성 인식(reachability-aware) 귀납적 바이어스(inductive bias)를 주입하는 자기지도 사전학습 방법인 RAPTOR(Reachability-Aware Pretraining for Efficient Target-Oriented Path Exploration)를 제안한다. 후보 행동이 목표 엔티티에 도달 가능한지 추정하도록 학습함으로써, RAPTOR는 유망하지 않은 경로에 대한 탐험을 줄이고 하류 RL 미세조정을 위한 강력한 초기화를 제공한다. ICEWS14, ICEWS05-15, ICEWS18 데이터셋에서의 실험 결과는 RAPTOR 사전학습이 학습 효율을 현저히 향상시키고 기존 베이스라인을 일관되게 능가함을 보여주며, TKG 추론을 위한 RL 기반 다중 홉 추론 방법을 강화하는 효과적인 접근법임을 입증한다.

arXiv:2607.05577v1cs.AI

내러티브 월드 모델: 장편 소설을 위한 서사학 기반 작가 메모리

Narrative World Model: Narratology-Grounded Writer Memory for Long-Form Fiction

장편 소설 창작을 위한 작가 메모리 시스템 Narrative World Model(NWM)은 서사학 기반의 타입화된 시간적 상태 그래프와 쿼리 조건부 하이브리드 검색을 결합하여, 기존 에이전트 메모리 프레임워크 Graphiti/Zep 대비 멀티홉 서사학적 QA에서 유의미하게 높은 성능(0.898 vs. 0.574)을 달성하였다.