arXiv:2606.06646v1 cs.CL

CAF-Gen: 논증 구조 보강을 위한 다중 에이전트 시스템

CAF-Gen: A Multi-Agent System for Enriching Argumentation Structures

Jakub Bąba, Jarosław Chudziak

제출 2026-06-04

한국어 초록

자연어 텍스트에서 복잡한 추론을 형식화하는 것은 계산 언어학의 중심 과제 중 하나입니다. 이는 시스템이 단순한 키워드뿐만 아니라 텍스트에 내재된 맥락과 복잡한 추론을 이해해야 함을 요구합니다. 현재의 논증 마이닝(Argument Mining, AM) 기법은 기본적인 주장과 전제를 식별하지만, 전제 유형, 증명 기준, 논증 스킴과 같은 특징을 포함하는 고급 스키마인 Carneades Argumentation Framework(CAF)에서 요구하는 더 풍부한 구조적 정보를 포착하는 데 어려움을 겪는 경우가 많습니다. 우리는 얕은 논증 구조를 CAF를 준수하는 논증 모델로 보강하도록 설계된 자동화된 다중 에이전트 프레임워크인 CAF-Gen을 도입하여 이러한 한계를 해결합니다. 반복적인 Creator-Reviewer 파이프라인을 사용하여, 생성자 에이전트(creator agent)의 출력은 구조적 무결성을 보장하기 위해 비평자 에이전트(critical agent)에 의해 검증됩니다. 이러한 다중 에이전트 협업은 단일 패스 생성 모델(single-pass generative models)에서 전형적인 구조적 불안정성을 완화하는 데 중요합니다. 우리의 실험은 반복적인 피드백 루프가 결과 데이터의 품질을 향상시키고 구조적으로 더 풍부한 모델을 생성하는 동시에 원본 주석(original annotations)과 강력한 정렬을 달성함을 보여줍니다. 우리의 연구 결과는 다중 에이전트 시스템이 단일 패스 생성의 한계를 극복할 수 있으며, 형식적 논증의 자동화된 모델링을 위한 강건한 방법론을 제공함을 보여줍니다.

원문 초록

Formalizing complex reasoning from natural text is one of the central challenges in computational linguistics. It requires systems to understand not just keywords but also the context and complex reasoning embedded in a text. Current Argument Mining (AM) techniques identify basic claims and premises, yet they often struggle to capture the richer structural information required by advanced schemas such as the Carneades Argumentation Framework (CAF), which incorporates features such as premise types, proof standards, and argument schemes. We address this limitation by introducing CAF-Gen, an automated multi-agent framework designed to enrich shallow argument structures into CAF-compliant argument models. By employing an iterative Creator-Reviewer pipeline, a creator agent's output is validated by a critical agent to ensure structural integrity. This multi-agent collaboration is crucial for mitigating the structural instability typical of single-pass generative models. Our experiments demonstrate that the iterative feedback loop improves the quality of the resulting data and achieves strong alignment with the original annotations, while producing structurally richer models. Our findings show that the multi-agent system can overcome the limitations of single-pass generation, providing a robust methodology for the automated modeling of formal argumentation.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.06646v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26942v1cs.CL공통 태그 Text Generation, Natural Language Understanding

인식되나 생성되지 않음: 문화적으로 특수한 친족 호칭에 대한 생성 벤치마크

Recognized but Not Produced: A Generation Benchmark for Culturally Specific Kinship Terms

기존 문헌은 다지선다 벤치마크를 사용해 대규모 언어 모델(LLM)의 다언어 친족 이해를 평가하며, 이를 인식 문제로 다룬다. 우리는 대신 두 가지 의사소통 과제에 걸쳐 세 가지 비서구 언어(힌디어, 타밀어, 한국어)에서 친족 호칭을 생성하도록 다섯 개의 오픈 가중치 LLM에 프롬프트를 주고, 이를 일치하는 선택지 지원 선택 기준선과 짝지었다. 동일한 관계-언어 셀에서 GPT OSS120B는 75개의 유효 셀 중 90.67%에서 올바른 용어를 선택하지만, 해당 시도의 36.00%에서만 수용 가능한 용어를 생성한다; Llama 3.370B도 같은 패턴을 보인다(77.92% 대 24.24%). 4지선다 조건은 후보 용어를 제시하며 문자 생성을 요구하지 않으므로, 이 차이는 어휘 지식이 온전함을 직접 증명하기보다는 평가 형식 간극으로 해석된다. 명시적으로 지정된 L3 프롬프트에서 정확도는 GLM-5.1의 72.29%부터 Llama-3.370B의 24.24%까지 크게 달라진다. 부계 혈통 우위는 언어별로 다르며, 힌디어에서는 크지만 한국어에서는 약하거나 역전되고, 타밀어의 공유 용어 쌍은 측정 변동에 대한 통제를 제공한다. 이 결과는 관계가 명시적으로 진술된 경우에도 문화적으로 특수한 친족 호칭 생성이 여전히 어렵다는 것을 보여 주며, 다지선다 검사와 병행한 생성 기반 평가의 필요성을 제기한다.

arXiv:2609.27844v1cs.AI공통 태그 Text Generation, multi-agent systems

정책 제약 LLM 의료 이의 생성을 위한 에이전트 거버넌스 및 적대적 검증

Agentic Governance and Adversarial Verification for Policy-Constrained LLM Healthcare Appeal Generation

청구 거절 관리는 미국 의료에서 연간 약 2,600억 달러의 행정 부담 비용을 발생시킨다. 대규모 언어 모델(LLM)과 검색-증강 생성(RAG)은 유창한 임상 텍스트를 생성할 수 있지만, 단일 에이전트 아키텍처는 고위험 의료 환경에서 실패한다: 근거 없는 임상 세부사항을 도입하고 계층적 지불자(payer) 정책의 논리 구조를 잃는다. 우리는 명시적 정책 및 증거 제약 하에서 의료 필요성(medical-necessity) 이의 생성을 위한 다중 에이전트 아키텍처인 AGVF(Agentic Governance and Adversarial Verification Framework)를 제안한다. AGVF는 이의 합성을 다섯 에이전트—정책 형식화, 증거 검색, 격차 분석, 적대적 비평, 게이트된 합성—에 걸친 제약 마르코프 결정 과정(CMDP)으로 모델링한다. 고정된 정책 제약 그래프에 대한 정제(refinement)가 증거 결핍을 단조적으로 감소시키며, 완전한 만족 프론티어 또는 국소화된 증거 격차 중 하나로 종료됨을 증명한다. 결정론적 인용 그라운딩(citation-grounding) 게이트는 허용 가능한 증거 없이 단정이 공유 상태에 들어가는 것을 방지한다. 우리는 참조 구현을 제공하고, 비식별화된 공개 병원 퇴원 데이터에서 매개변수화한 1,000건의 합성 이의 사례에서 이를 검증한다. 검증 결과 모든 AGVF 사례에서 인용 그라운딩 위반이 0건임을 확인했고, 모든 에피소드에서 결핍의 단조 감소가 관찰되었다; 게이트를 제거(ablation)하면 위반이 100%로 증가하여 게이트가 핵심(load-bearing) 구성요소임을 확인했다. 본 연구는 실제 환자 기록을 사용하지 않으며 임상 효능을 측정하지 않는다. 따라서 AGVF는 의료 분야 정책 제약 LLM 생성을 위한 이론 기반 에이전트 아키텍처와 검증된 참조 구현을 기여한다.

arXiv:2609.25186v1cs.CY공통 태그 Text Generation, Natural Language Understanding

패턴 인식기에서 개인화된 동반자로: 정신 건강 분야 대규모 언어 모델 서베이

From Pattern Recognizers to Personalized Companions: A Survey of Large Language Models in Mental Health

전 세계적으로 증가하는 정신 건강 질환 유병률은 제한된 자원, 높은 비용, 사회적 낙인, 개인정보 보호 우려와 같은 전통적 의료 체계의 오랜 장벽과 맞물려, 접근 가능하고 확장이 용이한 지원책에 대한 시급한 필요성을 낳았습니다. 대규모 언어 모델(LLM)은 고도화된 자연어 이해 및 생성을 통해 정신 건강 지원의 민주화를 이끌 강력한 잠재력을 지닌 혁신적 기술로 부상했습니다. 그러나 이 분야에서 급격히 확장되며 파편화된 연구들은 일관된 발전적 서사를 갖추지 못해, 현재의 진척 상황을 맥락화하고 향후 연구 방향을 파악하는 데 어려움을 초래하고 있습니다. 본 서베이 논문은 정신 건강 분야에서 LLM의 역할이 뚜렷하고 점진적으로 정교해지는 세 가지 단계를 거쳐 진화하고 있다는 중심 논제를 바탕으로 문헌을 체계화하고 분석하여 이러한 공백을 해소합니다. 저자들은 LLM이 평가를 위한 수동적인 정보 도구이자 패턴 인식기(Pattern Recognizer)로 주로 기능했던 1단계에서 시작하여, 일회성의 무상태(stateless) 상호작용을 수행하는 공감형 대화자(Empathetic Conversationalist) 역할을 하는 2단계를 거쳐, 상태를 유지하는(stateful) 인지 에이전트로 구현되어 장기적이고 개인화된 동반자(Longitudinal, Personalized Companion)를 지향하는 현재의 최전선인 3단계에 이르기까지 그 궤적을 추적합니다. 이러한 프레임워크를 뒷받침하기 위해 핵심 기술, 에이전트 아키텍처(프로필, 메모리, 추론, 계획), 그리고 데이터셋과 벤치마크라는 핵심 인프라를 체계적으로 검토하고, 이들의 진화가 이러한 발전 경로를 어떻게 뒷받침하는지 조명합니다. 본 연구는 이러한 발전적 관점을 통해 기존 연구를 종합적으로 정리하고, 궤적에 대한 통찰력 있는 서사를 제시하며, 정신 건강 관리를 위한 책임감 있고 효과적이며 인간 중심적인 AI의 미래 혁신을 위한 명확한 로드맵을 제공합니다. 본 서베이에서 검토된 큐레이션된 자료 모음은 프로젝트 저장소(https://github.com/Emo-gml/Awesome-Mental-Health-LLMs)에서 확인할 수 있습니다.

arXiv:2609.25853v1cs.CL공통 태그 Text Generation, Natural Language Understanding

MemoryAthena: 잠재 및 생성 메모리에 대한 적응형 라우팅

MemoryAthena: Adaptive Routing over Latent and Generated Memories

학습된 메모리(learned-memory) 방법은 정보를 명시적 테이블에 저장하고 별도의 리더(reader)를 통해 소비하여 addressing, storage, reading을 서로 독립적으로 수정할 수 있게 한다. 우리는 유용한 메모리가 검색만이 아니라 생성될 수 있는지도 연구한다. MemoryAthena는 세 경로를 사용한다: 직접 Engram 검색(E), 검색된 Engram 단서로부터의 생성(GE), 메모리 테이블을 참조하지 않고 인과적 백본(backbone) 상태로부터의 생성(GH). 생성된 메모리는 조건부로 유용하다: 한 맥락에서는 E를 보완할 수 있지만 다른 맥락에서는 방해할 수 있다. 따라서 MemoryAthena는 E를 앵커(anchor)로 두고 생성 표현이 언제 개입해야 하는지 학습한다. 백본, 메모리, 생성기, 리더를 고정(frozen)한 상태에서, 경량 인과적 라우팅 헤드(routing head)는 E 대비 GE와 GH의 반사실적(counterfactual) 미래 토큰 가능도 이점(advantage)으로부터 학습된다. 추론 시 허용된(admitted) 후보는 유계(bounded) 보간(interpolation)을 통해 E 잔차(residual)를 수정하고, 거부(rejection) 시 직접 경로를 정확히 복구한다. 질의응답(question answering)에서 MemoryAthena는 동일 체크포인트의 직접 경로 대비 5개 과제 평균을 37.65에서 39.28로 높이며, 6개 과제 general-NLP 평균은 76.73에서 79.13으로 증가한다. 완전한 메모리 측 시스템은 고정된 백본을 제외하고 약 201M 파라미터를 포함한다. 추가 분석은 과제와 입력에 걸쳐 E, GE, GH 간의 상보적 강점을 보여 준다. 이러한 결과는 생성 메모리가 직접 검색에 대한 선택적 교정(selective correction)임을 뒷받침하고, 언제·어떤 것을·얼마나 강하게 개입할지에 대한 라우팅을 핵심 과제로 부각한다.

arXiv:2609.26338v1cs.CL공통 태그 Natural Language Understanding, Argument Mining

논증 마이닝 파이프라인 설계 및 분석: 종합적 평가를 향하여

Designing and Analysing Argument Mining Pipelines: Towards a Comprehensive Assessment

논증 마이닝(Argument Mining, AM)은 자연어를 그 이면의 논증 구조로 변환한다. 이러한 변환은 일반적으로 end-to-end AM 파이프라인을 구성하는 일련의 AM 태스크를 통해 실현된다. 그러나 AM 접근법들은 이러한 태스크를 개념화하는 방식에서 종종 달라, 서로를 직접 비교하기 어렵고 불투명하게 만든다. 이는 더 명확한 비교와 평가를 가능하게 하기 위해 AM 접근법에 대한 보다 미세한, 태스크 수준의 분석을 요구한다. 본 연구는 최신 end-to-end AM 연구들을 체계적으로 검토하는 예비 메타 연구를 제시하며, 언어학적·계산적·도메인적 관점의 삼중 프레임워크를 통해 각 파이프라인이 논증을 구조로 어떻게 모델링하고, 이를 어떻게 계산하며, 도메인 지식을 어떻게 통합하는지 분석한다. 또한 언어학적·계산적 관점에 대한 일반적 설계를 제안하여, 핵심 AM 태스크가 논증 구조의 모델링과 계산을 위해 어떻게 설계되는지 보여준다. 제안한 프레임워크는 AM 접근법 전반에 걸친 방법론 중심 서술의 토대를 마련하여, 향후 연구에서 더 깊은 이해와 더 체계적인 비교를 촉진한다.

arXiv:2609.24855v1cs.AI공통 태그 Text Generation, Argument Mining

논증을 분류만이 아니라 추출하기: 생성형 구성요소 탐지를 위한 지시 미세조정 LLM

Extracting Arguments, Not Just Classifying Them: Instruction-Tuned LLMs for Generative Component Detection

논증적 구성요소 탐지(ACD)는 논증 마이닝(AM)의 핵심 하위 과제이며, 주장(claim)과 전제(premise) 등의 구성요소로 논증 구간을 동시에 한정하고 분류해야 하므로 그중에서도 가장 어려운 측면 중 하나이다. 이 하위 과제에 대한 연구는 다른 AM 과제에 비해 상대적으로 제한적이지만, 기존 접근법의 대부분은 이를 단순화된 시퀀스 라벨링 문제, 구성요소 분류, 또는 구성요소 분할 뒤 분류하는 파이프라인으로 형식화한다. 본 논문에서는 간결한 지시 기반 프롬프트를 사용하는 지시 미세조정 대규모 언어 모델(LLM)에 기반한 새로운 접근법 ITFACD를 제안하고, ACD를 언어 생성 태스크로 재구성하여 사전 분할된 구성요소에 의존하지 않고 평문에서 논증을 직접 식별할 수 있게 한다. 표준 벤치마크에서의 실험 결과, 본 접근법이 최신(state-of-the-art) 시스템보다 더 높은 성능을 달성함을 보여준다. 우리가 아는 한, 이는 ACD를 생성 태스크로 완전히 모델링한 최초의 시도 중 하나이며, 복잡한 AM 문제에 대한 지시 미세조정의 잠재력을 부각한다. 코드와 사용된 데이터셋은 다음 GitHub 저장소에서 공개적으로 이용할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.