1847 편의 논문
이 논문은 생성 및 평가 에이전트 간의 '제안 - 평가 - 수정' 협업 프로세스와 강화 학습을 통해 제로샷 문서 수준 이벤트 인자 추출의 데이터 생성 품질과 추출 성능을 동시에 향상시키는 다중 에이전트 협업 프레임워크를 제안합니다.
이 논문은 코드 에이전트가 기존 수학 문제를 더 복잡하고 해결 가능한 변형으로 진화시키는 다중 에이전트 프레임워크를 제안하며, 실험을 통해 코드 실행 환경이 확장 가능한 고난이도 수학 문제 생성 메커니즘으로 유효함을 입증했습니다.
AriadneMem 은 오프라인에서 엔트로피 기반 필터링과 충돌 인식 병합을 통해 메모리를 구조화하고, 온라인에서 알고리즘적 브리지 탐색을 수행하여 긴 대화에서 다중 홉 추론 정확도를 높이고 실행 시간을 획기적으로 단축하는 LLM 에이전트를 위한 구조화된 메모리 시스템입니다.
이 논문은 언어 보상 모델에 존재하는 다양한 편향을 체계적으로 분석하고, 이를 완화하기 위해 최소한의 라벨 데이터로 작동하는 메커니즘 기반 보상 조정 기법을 제안합니다.
이 논문은 의료 분야의 복잡한 추론에서 발생하는 환각과 지식 부재 문제를 해결하기 위해, 다중 라운드 에이전트 루프를 통해 외부 증거와 내부 추론을 반복적으로 정제하여 최종 합의에 도달하는 'MA-RAG' 프레임워크를 제안하고, 7 개 의료 Q&A 벤치마크에서 기존 방법론 대비 평균 정확도를 6.8 점 향상시킨 것을 입증합니다.
이 논문은 기억 정제, 원자적 쿼리 학습, 그리고 밀집 보상을 통해 검색 에이전트의 성능을 향상시키는 'SE-Search'를 제안하고, 단일 및 다단계 질문 답변 벤치마크에서 기존 최강 모델 대비 유의미한 성능 개선을 입증합니다.
이 논문은 소규모 농가의 요구에 부합하는 정확한 농업 조언을 제공하기 위해 검증된 사실 기반의 미세 조정과 안전성 고려 응답 생성 레이어를 결합한 하이브리드 LLM 아키텍처와 DG-EVAL 평가 프레임워크를 제안하고, 이를 통해 비용 효율적이면서도 사실적 정확도와 안전성을 크게 향상시킨 결과를 보여줍니다.
이 논문은 인간과 달리 최신 대규모 언어 모델들이 개방형 과제에서 목표 설정 시 인간과 크게 다른 패턴 (단일 해법 착취 또는 낮은 성능) 을 보이며, 인간 행동의 대변자로서 적합하지 않음을 실험을 통해 입증합니다.
이 논문은 인지 과학에 영감을 받아 에피소드 기억을 지식 중심의 그래프로 구조화하여, 다양한 LLM 에이전트에 부착 가능한 범용 메모리 모듈 'PlugMem'을 제안하고, 이를 통해 작업별 재설계 없이도 효율적인 정보 검색과 추론을 가능하게 함으로써 기존 작업 특화 및 범용 메모리 설계보다 우수한 성능을 입증했습니다.
이 논문은 테스트 시 학습 중 발생하는 신뢰할 수 없는 의사레이블과 비효율적인 적응 문제를 해결하기 위해, 실패한 추론 경로를 분석하고 표적 변형 문제를 생성하는 '교사' 역할과 문제 해결을 수행하는 '학생' 역할이 교차하는 자기반성 기반의 TTSR 프레임워크를 제안하여 대형 언어 모델의 추론 능력을 지속적으로 향상시키는 방법을 제시합니다.
이 논문은 레이블 데이터나 최적화 루프 없이도 실시간으로 생성된 예시를 통해 인스턴스별 프롬프트를 구성하는 훈련 없는 TATRA 방법을 제안하며, 기존 최적화 기반 방법보다 우수한 성능을 보여줍니다.
이 논문은 10 개의 상용 대규모 언어 모델 (LLM) 을 대상으로 학술 인용 허위 생성을 광범위하게 분석하여 모델과 도메인에 따른 할루시네이션 발생률 차이를 규명하고, 다중 모델 합의 및 반복 검증 같은 실용적 필터와 외부 데이터베이스 없이도 작동하는 경량 분류기를 통해 위조 인용을 탐지하는 방법을 제시합니다.
이 논문은 LaborBench 벤치마크를 활용하여 STARA 도구가 기존 RAG 및 상용 법률 AI(웨스트로, 렉시스) 보다 뛰어난 성능을 보였으며, 기존 DOL 변호사들의 실수를 보정했을 때 정확도가 92% 에 달한다는 사실과 함께 향후 법적 RAG 시스템 구축을 위한 설계 원칙을 제시합니다.
이 논문은 LLM 임베딩을 위한 의미적 캐싱의 최적 오프라인 정책이 NP-난해임을 증명하고, 다항 시간 휴리스틱 및 온라인 정책을 제안하여 다양한 데이터셋에서 기존 빈도 기반 기법보다 향상된 성능을 입증합니다.
이 논문은 주정부 도로국 (State DOTs) 의 지식 관리 및 인력 훈련 효율성을 향상시키기 위해, 전문 에이전트와 비전 - 언어 모델을 활용한 멀티 에이전트 기반의 검색 증강 생성 (RAG) 프레임워크를 제안합니다.
이 논문은 사용자의 표면적 언어 패턴이 아닌 심리적 상태를 정렬하는 강화학습 기반의 새로운 훈련 프레임워크 'HumanLM'을 제안하여, 기존 시뮬레이터보다 실제 사용자의 반응을 훨씬 더 정확하게 모사하고 인간과 유사한 성능을 달성했음을 보여줍니다.
이 논문은 의미적 계획과 구조적 제어를 분리하는 훈련 없는 추론 절차인 '초안 기반 제약 디코딩 (DCCD)'을 제안하여, 구조화된 생성 작업에서 기존 제약 디코딩 방식보다 엄격한 정확도를 크게 향상시키고 파라미터 효율성을 개선함을 보여줍니다.
이 논문은 TOON 이 인-도메인 생성 작업에서 토큰 효율성과 정확도 면에서 유망한 결과를 보이지만, 짧은 컨텍스트에서는 프롬프트 오버헤드로 인해 이점이 감소하며, 특히 단순 구조에서는 제약 디코딩을 통한 JSON 생성이 TOON 보다 더 낮은 토큰 사용량을 보여 TOON 의 효율성은 특정 임계점을 넘어 누적된 구문 절감 효과가 프롬프트 오버헤드를 상쇄할 때 비로소 실현된다는 것을 밝혔습니다.
이 논문은 수동 코딩의 한계를 극복하고 대규모 텍스트 코퍼스에 적용 가능한 확장성 있는 분석을 위해 BERTopic 과 ENA 를 결합한 'TopicENA'프레임워크를 제안하고, 다양한 분석 사례를 통해 그 유효성과 설정 가이드라인을 제시합니다.
이 논문은 'History-Echoes' 프레임워크를 통해 대화의 과거가 확률적 마르코프 체인과 기하학적 잠재 공간 분석을 통해 LLM 의 미래 생성에 어떻게 편향을 유발하고 기하학적 함정으로 작용하는지 규명합니다.