💬 NLP

MorphNLI: A Stepwise Approach to Natural Language Inference Using Text Morphing

이 논문은 언어 모델을 사용하여 전제를 가정으로 점진적으로 변형하는 'MorphNLI'라는 모듈식 접근법을 제시하여, 교차 도메인 환경에서 기존 최첨단 모델보다 최대 12.6% 높은 성능을 달성하고 추론 과정을 설명 가능하게 만든다고 주장합니다.

원저자: Vlad Andrei Negru, Robert Vacareanu, Camelia Lemnaru, Mihai Surdeanu, Rodica Potolea

게시일 2026-02-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Vlad Andrei Negru, Robert Vacareanu, Camelia Lemnaru, Mihai Surdeanu, Rodica Potolea

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🕵️‍♂️ 기존 방식의 문제: "한 번에 다 맞추려는 대박 노림수"

기존의 인공지능 (LLM 이나 다른 모델들) 은 두 문장을 볼 때, 한 번에 전체를 훑어보며 "이건 맞다/틀리다"라고 바로 결론을 내립니다.

비유: 마치 시험 문제를 풀 때, 문제 지문을 한 번 읽고 바로 답을 고르는 것과 같습니다.
문제점: 만약 문제가 조금만 복잡하거나, 우리가 본 적 없는 새로운 유형의 문제 (다른 분야) 가 나오면, 인공지능은 헷갈려서 틀린 답을 내놓거나, "왜 그런지" 설명을 못 합니다. 마치 시험지를 보고 "아, 이 문제 유형은 SNLI 라는 책에 나왔던 거야!"라고 외운 대로만 답하는 암기형 학생과 같습니다.

🛠️ MorphNLI 의 방식: "조금씩 변형하며 따라가기"

MorphNLI 는 이 문제를 조각조각 나누어 해결합니다. 마치 퍼즐을 맞추거나, 한 문장을 다른 문장으로 **서서히 변형 (Morphing)**시켜 가는 과정입니다.

1. "점진적인 변형" (Text Morphing)

두 문장이 완전히 다르다고 해서 당황하지 않습니다. 대신, **첫 번째 문장 (전제)**을 **두 번째 문장 (가설)**으로 바꾸기 위해 필요한 작은 수정 단계들을 하나씩 만들어냅니다.

비유: "집"이라는 단어를 "비행기"로 바꾸려면 한 번에 바꿀 수 없죠?
- 1 단계: 집 → 집 (문자 그대로)
- 2 단계: 집 → 집 (창문 추가)
- 3 단계: 집 → 집 (지붕을 날개로 바꿈)
- 4 단계: 비행기
- 이렇게 **작은 단계 (Atomic edits)**를 거쳐서 변형해 나갑니다.

2. "단계별 확인" (Step-by-Step Check)

이 작은 단계들마다 인공지능이 "이제까지의 변화가 원래 뜻과 맞지?"라고 하나씩 확인합니다.

비유: 요리사가 레시피를 따라 요리할 때, 재료를 하나씩 넣을 때마다 "이제 맛은 어떤가?"를 확인하는 것과 같습니다.
만약 중간에 어떤 단계에서 "이건 원래 뜻과 완전히 달라!" (모순) 라고 판단되면, 그 순간 멈추고 "아, 이건 원래 문장과 반대되는 이야기구나!"라고 결론을 내립니다.

3. "최종 결론 도출" (Aggregation)

모든 작은 단계들을 거쳐 최종적으로 두 문장의 관계를 판단합니다.

핵심 규칙: "만약 중간에 하나라도 '반대'나 '관련 없음'이 나오면, 최종 답은 그 단계의 결론을 따른다." (모든 단계가 '맞음'이어야만 최종 답도 '맞음'이 됩니다.)

🌟 왜 이 방식이 더 좋을까요?

1. 낯선 상황에서도 잘합니다 (Cross-Domain)

기존 AI 는 익숙한 문제만 잘 풀고, 새로운 분야 (예: 뉴스 기사에서 배운 것을 의학 기사에 적용) 에 가면 망칩니다. 하지만 MorphNLI 는 작은 변화 하나하나를 논리적으로 따지기 때문에, 새로운 분야에서도 훨씬 잘 적응합니다.

결과: 실험 결과, 기존 모델보다 최대 12.6% 더 높은 정확도를 보였습니다. 특히 낯선 데이터에서는 차이가 더 컸습니다.

2. "왜?"라고 물어보면 답을 줍니다 (Explainability)

기존 AI 는 "정답은 A 입니다"라고만 말하지만, 이유를 말해주지 않거나 엉뚱한 이유를 댑니다.

MorphNLI 의 장점: "내가 이렇게 변형해 봤는데, 여기서 뜻이 달라졌기 때문에 반대라고 판단했다"라고 **변형 과정 (이유)**을 보여줍니다.
비유: 수학 문제를 풀 때, 답만 적는 게 아니라 풀이 과정을 다 보여주고 "여기서 실수했어"라고 알려주는 것과 같습니다.

3. "암기"가 아니라 "이해"를 합니다

기존 대형 AI 모델들은 학습 데이터에 있는 패턴을 외워서 (Overfitting) 답을 맞추는 경향이 있습니다. 하지만 MorphNLI 는 논리적인 변형 과정을 거치기 때문에, 데이터에 없는 새로운 상황에서도 논리적으로 추론할 수 있습니다.

📝 요약: 한 줄로 정리하면?

MorphNLI 는 두 문장의 관계를 판단할 때, 한 번에 뚝딱 결론을 내리는 대신, "한 문장을 다른 문장으로 바꾸는 작은 단계들"을 하나씩 만들어가며 논리적으로 확인하는, 더 똑똑하고 설명 가능한 인공지능입니다.

이 기술은 인공지능이 단순히 "정답"만 외우는 게 아니라, 왜 그 답이 나왔는지 그 과정을 이해하고 설명할 수 있게 해주는 중요한 발전이라고 볼 수 있습니다.

MorphNLI: 텍스트 변형 (Text Morphing) 을 활용한 단계적 자연어 추론

1. 문제 정의 (Problem)

자연어 추론 (NLI, Natural Language Inference) 은 주어진 전제 (Premise) 를 바탕으로 가설 (Hypothesis) 이 참 (Entailment), 거짓 (Contradiction), 또는 알 수 없음 (Neutral) 인지를 판단하는 작업입니다. 최근 대규모 언어 모델 (LLM) 과 신경망 기반 NLI 모델이 발전했으나, 다음과 같은 한계점이 존재합니다.

논리적 특징 포착 실패: 단조성 (monotonicity), 부정, 양화사 (quantifiers), 개념 수정자 등 논리의 세밀한 특징을 제대로 학습하지 못함.
작업 아티팩트 (Task Artifacts) 과 과적합: 데이터셋의 편향 (예: SNLI 의 코어퍼런스 가정) 에 과적합되어, 실제 논리보다는 데이터 패턴을 암기하는 경향이 있음.
설명 가능성 부족: LLM 은 "생각하는 대로 말하지 않는" (not say what they think) 경향이 있어, 추론 과정에 대한 신뢰할 수 있는 설명을 제공하기 어려움.

2. 방법론 (Methodology)

저자들은 NLI 판단을 여러 개의 단순하고 설명 가능한 단계로 분해하는 MorphNLI라는 모듈식 접근법을 제안합니다. 이 방법은 전제를 가설로 점진적으로 변형 (Morphing) 하는 과정을 거칩니다.

핵심 단계:

텍스트 변형 (Text Morphing):
- 전제를 가설로 변환하기 위해 '원자적 편집 (atomic edits)'인 교체 (Replace), 제거 (Remove), 삽입 (Insert) 연산의 시퀀스를 생성합니다.
- 이 과정은 Levenshtein 거리 알고리즘과 유사하지만, 문자 단위가 아닌 단어/구 (phrase) 단위로 작동하며, 문법적 구조를 유지하도록 설계되었습니다.
- 모델 학습: 변형 모델 (Morphism Model) 은 GPT-4(교사 모델) 를 사용하여 생성된 합성 데이터 (Synthetic Data) 로 미세 조정 (Fine-tuning) 됩니다. 생성된 데이터는 '게으른 변형 (lazy morphisms)'과 '짧은 변형 (short morphisms)'을 필터링하여 품질을 보장합니다.
음성 정규화 (Voice Normalization):
- 전제와 가설 간의 수동/능동 어조 변화를 해결하기 위해, 변형 시작 전 두 문장을 능동형으로 정규화합니다.
단계별 NLI 판단:
- 생성된 변형 시퀀스 ( $M_0 \to M_1 \to \dots \to M_n$ ) 의 각 단계 ( $M_{i-1}, M_i$ ) 에서 기존 NLI 모델 (RoBERTa, BART 등) 을 사용하여 엔트일먼트 (Entailment) 라벨을 매깁니다.
집계 (Aggregation):
- 전체 시퀀스의 라벨을 최종 NLI 라벨로 통합합니다.
- 휴리스틱 규칙: 모든 단계가 'Entailment'이면 최종 라벨도 'Entailment'입니다. 그렇지 않다면, 시퀀스에서 첫 번째로 등장하는 비-Entailment 라벨 (Contradiction 또는 Neutral) 을 최종 예측값으로 채택합니다. 이는 자연 논리 (Natural Logic) 의 복잡한 자동 상태 기계 대신 실용적이고 강력한 접근법입니다.

3. 주요 기여 (Key Contributions)

모듈식 NLI 프레임워크 MorphNLI 제안: 텍스트 변형과 신경망 NLI 를 결합하여, 추가적인 감독 없이 (Synthetic data 사용) 구현 가능한 새로운 아키텍처를 제시했습니다.
교차 도메인 (Cross-Domain) 성능 향상: MNLI 와 SICK 데이터셋 간의 교차 검증 실험에서, 기존 최첨단 (SOTA) 모델보다 최대 12.6% (상대적) 의 성능 향상을 보였습니다. 특히 도메인 이동 (OOD) 환경에서 과적합을 줄이고 일반화 능력을 입증했습니다.
설명 가능성 (Explainability): 최종 라벨에 대한 근거로 '원자적 편집' 시퀀스를 제공합니다. 이는 LLM 이 생성하는 장황하고 때로는 오류가 있는 설명보다 직관적이고 신뢰할 수 있는 추론 체인을 제공합니다.
LLM 의 논리 이해 한계 확인: GPT-4o 와 같은 대형 모델조차 SICK 데이터셋 (논리적 구조가 복잡한 데이터) 에서 MorphNLI 의 변형 과정을 적용했을 때 성능이 향상됨을 발견하여, LLM 이 논리 의미론을 완벽하게 포착하지 못함을 재확인했습니다.

4. 실험 결과 (Results)

데이터셋: MNLI (다양한 장르의 자연어) 와 SICK (인위적으로 생성된 논리 규칙 기반 데이터) 를 사용했습니다.
성능:
- SICK 데이터셋: MorphNLI 는 RoBERTa 및 BART 기반의 'Vanilla'(변형 없는) 모델보다 모든 OOD 설정에서 우세했습니다. 특히 BART + 음성 정규화 시 1.74% 향상.
- MNLI 데이터셋: OOD 설정에서 RoBERTa 는 5.29%, BART 는 5.92% 의 큰 향상을 보였습니다.
- LLM 적용: GPT-4o 를 NLI 엔진으로 사용했을 때에도 SICK 에서 변형 적용 시 성능이 향상되었으나, MNLI 에서는 개선되지 않았습니다. 이는 GPT 모델이 MNLI 데이터셋에 오염 (Contamination) 되어 있을 가능성을 시사합니다.
설명 품질:
- 인간 평가 결과, MorphNLI 가 생성한 설명은 GPT-4o 나 Llama 3.1 8B 보다 SICK 데이터셋에서 더 높은 정확도와 일관성을 보였습니다.
- GPT-4o 는 SNLI 데이터셋의 아티팩트 (전제와 가설의 화자가 동일하다는 가정) 에 과적합되어 잘못된 설명을 생성하는 경향이 있었습니다.

5. 의의 및 결론 (Significance)

신뢰할 수 있는 추론: MorphNLI 는 복잡한 NLI 문제를 작은 논리적 단계로 분해함으로써, 모델이 '왜' 그 결론에 도달했는지 명확한 근거 (변형 과정) 를 제공합니다.
강건한 일반화: 도메인 간 전이 (Cross-domain transfer) 에서 기존 모델이 겪는 과적합 문제를 완화하며, 특히 논리적 추론이 필요한 복잡한 시나리오에서 더 나은 성능을 발휘합니다.
향후 방향: 현재는 영어에 국한되어 있으나, 이 접근법은 논리적 추론이 필요한 다른 NLP 작업 (사실 검증, 상식 추론 등) 으로 확장될 잠재력을 가집니다. 또한, 변형 인식 (Morphism-aware) NLI 모델을 학습하면 성능을 더욱 개선할 수 있을 것으로 기대됩니다.

이 논문은 NLI 작업에서 단순히 입력과 출력만 매칭하는 것을 넘어, 변형 과정 (Morphing) 을 통한 단계적 추론이 모델의 정확성과 설명 가능성을 동시에 높일 수 있음을 입증했습니다.