의도 그래프: 탐색적 데이터 분석을 위한 분석적 추론 공간 탐색
Intent Graph: Navigating the Analytical Reasoning Space for Exploratory Data Analysis
한국어 초록
실제 탐색적 데이터 분석(EDA)은 완전히 개방된 형태로 진행되는 경우가 드뭅니다. 분석가는 도메인 지식과 사전 가설을 바탕으로 방향의 우선순위를 정하며, 고수준의 도메인 질문에서 이를 해결할 수 있는 구체적인 분석으로 나아갑니다. 대규모 언어 모델(LLM)은 이러한 지식을 제공할 수 있지만, 그 응답은 비정형적이어서 분석가는 무엇이 탐색되었는지, 무엇이 누락되었는지, 또는 왜 특정 방향이 다른 방향보다 선택되었는지를 파악할 방법이 없습니다. 본 논문에서는 두 개의 연결된 구조를 통해 분석가와 LLM이 가능한 분석 공간을 함께 탐색할 수 있도록 지원하는 시스템인 DAG-EDA를 제안합니다. 분석 의도 문법에 따라 제어되는 의도 그래프(intent graph)는 모호한 자연어 질문을 점진적으로 구체적인 분석 작업으로 분해하여 대안적 관점을 열어두고, 분석가가 경로를 분기, 백트래킹 및 비교할 수 있도록 합니다. 다층 지식 그래프는 LLM의 도메인 지식을 외재화하여 도메인 개념을 이를 측정할 수 있는 데이터셋 변수와 연결함으로써, 분석가가 자신의 질문이 데이터에 어떻게 그라운딩(grounding)되는지 검사하고 이의를 제기할 수 있게 합니다. 두 그래프는 오직 데이터셋과 분석가의 질문만으로 구성되며, 분석가가 도달한 분석 결과는 인터랙티브 대시보드로 시각화됩니다. 우리는 활용 시나리오를 통해 시스템을 설명하고, 해당 시스템이 분석가의 추론과 탐색을 지원(scaffold)하는지 검증하기 위한 사용자 연구 설계를 기술합니다.
원문 초록
Exploratory data analysis (EDA) is rarely open-ended in practice: analysts work from high-level domain questions toward the concrete analyses that can answer them, prioritizing directions with domain knowledge and prior hypotheses. Large language models (LLMs) can supply such knowledge, but their responses are unstructured, leaving analysts no way to see what has been explored, what is missing, or why one direction was chosen over another. We present DAG-EDA, a system that lets analysts and an LLM co-navigate the space of possible analyses through two linked structures. An intent graph, governed by a grammar of analytical intent, decomposes an ambiguous natural-language question into progressively concrete analysis tasks, keeping alternative framings open and letting analysts branch, backtrack, and compare paths. A multi-layered knowledge graph externalizes the LLM's domain knowledge, linking domain concepts to the dataset variables that can measure them, so analysts can inspect and contest how their question is grounded in the data. Both graphs are constructed from only the dataset and the analyst's question, and the analyses the analyst reaches are rendered as interactive dashboards. We illustrate the system through a usage scenario and describe a user study design for examining whether the system scaffold analysts' reasoning and navigation.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Build2SPARQL: 빌딩 지식 그래프 쿼리를 위한 대규모 Text-to-SPARQL 벤치마크 데이터셋
Build2SPARQL: A Large-Scale Text-to-SPARQL Benchmark Dataset for Building Knowledge Graph Querying
빌딩 자동화 시스템은 Brick 및 ASHRAE 223P와 같은 온톨로지를 사용하는 시맨틱 지식 그래프(KG)로 점점 더 많이 표현되고 있으며, 이는 인공지능 응용을 위한 기계 판독 가능한 기반을 형성합니다. 유망한 응용 분야 중 하나는 자연어 질문을 SPARQL로 변환하는 Text-to-SPARQL로, 빌딩 관리자가 언어 에이전트를 통해 이러한 그래프를 쿼리할 수 있게 해주지만 대규모 자연어/SPARQL 벤치마크의 부족으로 발전이 제한되고 있습니다. 본 논문에서는 지식 그래프 기반(KG-grounded) 파이프라인으로 생성된 빌딩 지식 그래프용 대규모 벤치마크인 Build2SPARQL을 제시합니다. 이 파이프라인은 SPARQL 쿼리를 전적으로 그래프 순회 코드로 생성 및 검증하는 반면, 대규모 언어 모델(LLM)은 자연어 질문만을 생성하도록 하여 쿼리의 정확성을 모델의 동작과 독립적으로 유지합니다. 해당 파이프라인은 선형 체인, 분기, UNION, 집계, OPTIONAL, 속성 필터링의 6가지 쿼리 패턴 패밀리를 추출하며, 각 쿼리를 5가지 어휘 레지스터에 걸쳐 표현합니다. 201개의 빌딩 지식 그래프(Brick 180개, ASHRAE 223P 21개)에 적용하여 6,136개의 실행 가능한 SPARQL 쿼리와 30,680개의 질문을 도출했습니다. 300개 질문에 대한 2인 평가자 인적 검증 결과 98.8%의 시맨틱 충실도, 98.8%의 자연스러움, 84.0%의 운영 타당성을 확인했습니다. 3개의 공개 가중치(open-weight) 언어 모델에 걸친 검색-증강 평가에서는 완전 일치(exact-match) 정확도가 0.2~20%(제로샷)에서 56~65%(3샷 검색)로 향상되었습니다.
ThermoLLM: LLM-Based Multi-Zone HVAC Control with a Spatiotemporal Context
확장 가능한 인과 발견을 위한 배경 지식 통합
Integrating Background Knowledge for Scalable Causal Discovery
전문가 배경 지식은 인과 발견(causal discovery)의 실제 응용에서 종종 활용 가능하다. 실제 인과 그래프에 대한 이러한 제약 조건은 인과 효과의 식별 가능성과 학습된 구조의 정확도 측면에서 인과 발견에 도움이 될 뿐만 아니라, 후보 인과 그래프의 탐색 공간을 줄이는 데에도 기여한다. 인과 발견은 변수의 수가 많아질수록 계산 비용이 크게 증가할 수 있으므로, 인과 발견 과정에서 배경 지식을 효과적으로 활용하는 것이 중요하다. 그러나 현재 대부분의 방법들은 학습된 그래프를 정제하기 위해 인과 발견 이후의 후처리 단계에서만 배경 지식을 활용한다. 본 연구에서는 인과 발견 과정에서 배경 지식을 활용하는 프레임워크를 개발하며, 특히 전체 그래프의 일부만을 복원하는 확장 가능한 인과 발견 방법에 초점을 맞춘다. 우리는 여러 알고리즘에 대해 이 프레임워크를 구현하고, 배경 지식 활용이 계산 요구량을 줄이고 학습된 구조의 품질을 향상시킬 수 있음을 실험적으로 보인다.
SemFlowRAG: Directed Semantic Flow from Abstraction to Evidence for Complex Reasoning
GRATE: 게이트 회전 어텐션을 통한 귀납적 지식 그래프 파운데이션 모델의 시간적 확장
GRATE: Temporal Extensions for Inductive KG Foundation Models via Gated Rotary Attention
Ultra, Trix와 같은 지식 그래프 파운데이션 모델은 관계 그래프 표현을 학습함으로써 미지의 개체 및 관계로 강력한 귀납적 전이를 달성한다. 이러한 전이 가능성을 시간적 지식 그래프(TKG)로 확장하는 것은 여전히 어려운 과제이다. 기존의 시간적 모델은 파라미터가 데이터셋 고유의 개체, 관계, 또는 타임스탬프에 고정되어 있어 어휘가 서로 다른 TKG로의 전이를 위해 설계되지 않았다. 우리는 학습 가능한 파라미터를 추가하지 않으면서 시간을 인코딩하는 개체 측 메시지 함수인 GRATE(Gated Rotary Attention for Temporal Encoding)를 제안한다. GRATE는 각 엣지 메시지를 쿼리와의 시간 간격에 따라 회전시켜 상대적 시간 차이를 인코딩하고, 쿼리 조건부 게이트를 적용하여 시간적으로 관련된 신호를 선택한다. GRATE는 구조적 전이 가능성을 유지하면서 NBFNet 방식의 지식 그래프 파운데이션 모델에 통합된다. 기존 TKG 벤치마크는 학습/테스트 어휘를 공유하는 환경에서만 평가하므로 데이터셋 간 시간적 전이를 직접 테스트하기 어렵다. 이를 위해 우리는 보간(interpolation)과 외삽(extrapolation) 모두를 아우르며 개체, 관계, 타임스탬프가 분리된 귀납적 전이 벤치마크 스위트인 GDELTIndT와 WIKIIndT를 구축하였다. 이 벤치마크들과 홀드아웃 예측 데이터셋 전반에 걸쳐, 단일 공동 사전학습 GRATE 체크포인트는 대부분의 설정에서 정적 베이스 모델을 능가한다.
이전 협업의 에피소드 기억을 통한 도시 수색 및 구조(USAR) 환경 내 인간-로봇 팀워크 향상
Improving Human-Robot Teamwork in Urban Search and Rescue Through Episodic Memory of Prior Collaboration
효과적인 인간-로봇 팀워크를 위해서는 로봇이 상호작용 시작 단계부터 파트너, 상황, 그리고 작업 역학(task dynamics)에 적응할 필요가 있습니다. MATRX 도시 수색 및 구조(USAR) 환경에서, 사람들은 채팅 및 성찰(reflection) 인터페이스를 통해 팀워크 과정에서 발견한 협업 패턴(collaboration patterns, CPs)을 외부화할 수 있습니다. 본 연구는 로봇이 미래의 상호작용에서 더 나은 팀원이 되기 위해 이러한 과거 팀 경험을 활용할 수 있는지를 조사합니다. 이를 위해 과거의 CP를 지식 그래프(knowledge-graph) 형태의 에피소드 기억으로 표현하고, 재사용 가능한 대표적이고 효과적인 기억을 식별하기 위해 노드 분류(node-classification) 목적함수를 사용한 그래프 표현 학습을 적용합니다. 이후 새로운 협업 에피소드가 시작되기 전에 해당 기억을 사용하여 로봇을 초기화합니다. 20명의 참가자와 160회의 라운드 수준 관측 결과에 따르면, 자동으로 선택된 단일 과거 CP로 로봇을 초기화할 경우 구조 성공률이 25.7%에서 41.3%로 증가하고 평균 작업 시간이 283초 단축되었습니다. 가장 큰 성과 향상은 상호작용 초기에 나타났으며, 이는 재사용 가능한 에피소드 기억이 로봇이 더 효과적인 작업 지식을 갖추고 협업에 진입하여 초기 팀워크를 더 원활하게 지원할 수 있음을 시사합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.