AILS-NTUA at SemEval-2026 Task 3: Efficient Dimensional Aspect-Based Sentiment Analysis

이 논문은 다국어 및 다도메인 환경에서 차원 기반 감정 분석의 세 가지 하위 과제를 효율적으로 해결하기 위해 언어별 인코더 미세 조정과 LoRA 기반 대규모 언어 모델 지시 미세 조정을 결합한 AILS-NTUA 시스템을 제안하고, 이를 통해 베이스라인을 능가하는 경쟁력 있는 성능을 입증합니다.

핵심

📝 AILS-NTUA 팀의 SemEval-2026 과제: 감정을 '숫자'로 읽는 똑똑한 AI

이 논문은 그리스의 아테네 국립공과대학교 (NTUA) 에 있는 AILS-NTUA 연구팀이 2026 년 'SemEval'이라는 인공지능 경진대회에서 선보인 시스템을 소개합니다. 이 시스템은 단순히 "좋다/나쁘다"라고만 판단하는 기존 감성 분석을 넘어, 감정의 '색깔'과 '강도'까지 정밀하게 측정하는 기술을 개발했습니다.

이 복잡한 기술을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 이 기술이 해결하려는 문제: "감정은 1 점이나 5 점으로만 표현할 수 없다"

기존의 감성 분석은 영화나 식당 리뷰를 볼 때 "이 영화는 좋다 (긍정)", "이 음식은 나쁘다 (부정)"라고 딱딱하게 분류했습니다. 마치 시험 점수를 A, B, C 로만 매기는 것과 비슷하죠.

하지만 인간의 감정은 훨씬 복잡합니다.

• "맛이 아주 훌륭해서 기분이 매우 들떠서 행복하다" (강한 긍정 + 높은 에너지)
• "맛은 나쁘지 않지만 조금 밋밋해서 마음이 무겁다" (약한 부정 + 낮은 에너지)

이 연구팀은 감정을 두 가지 축으로 나누어 측정했습니다.

1. 밸런스 (Valence): 감정이 얼마나 긍정적인지, 부정적인지 (예: 슬픔 vs 기쁨).
2. 각성 (Arousal): 감정이 얼마나 강렬한지, 활기찬지 (예: 나른함 vs 흥분).

이를 감정 지도라고 상상해 보세요. 단순히 '좋다/나쁘다'가 아니라, "어디에, 얼마나 강하게" 감정이 위치하는지를 숫자 (1.00~9.00) 로 정확히 찍어내는 것입니다.

---

2. 세 가지 주요 임무: 감정을 찾아내는 세 가지 도구

이 시스템은 세 가지 다른 방식으로 감정을 분석하는 작업을 수행했습니다.

① 감정의 좌표 찍기 (DimASR)

• 비유: "이 리뷰에서 언급된 '서비스'라는 단어의 감정은 지도상에서 (7.5, 6.2) 위치에 있구나!"라고 좌표를 찍는 작업입니다.
• 방법: 언어별 특성에 맞춰 훈련된 작은 전문가 모델 (Encoder) 을 사용했습니다. 각 언어 (영어, 중국어, 일본어, 러시아어 등) 에 맞는 전용 안경을 써서 감정의 미세한 뉘앙스를 포착합니다.

② 감정 삼각형 찾기 (DimASTE)

• 비유: 리뷰라는 숲에서 **"누가 (주체) + 무엇을 (대상) + 어떻게 (감정)"**라는 삼각형을 찾아내는 작업입니다.
  • 예: "서비스 (대상) 가 (주체) 훌륭했다 (감정)"
• 방법: 거대한 **대형 언어 모델 (LLM)**을 사용하되, 모든 것을 처음부터 다시 가르치는 대신 LoRA라는 기술을 썼습니다.
  • LoRA 비유: 거대한 도서관 (대형 AI) 을 통째로 옮기는 대신, **특정 주제에 맞는 작은 메모장 (LoRA 어댑터)**만 끼워 넣어 빠르게 학습시키는 방법입니다. 이렇게 하면 계산 자원을 아끼면서도 똑똑한 결과를 낼 수 있습니다.

④ 감정 사각형 완성하기 (DimASQP)

• 비유: 삼각형에 **'카테고리'**라는 네 번째 조각을 더하는 작업입니다.
  • 예: "서비스 (대상) + 품질 (카테고리) + 훌륭했다 (감정)"
• 특징: 이 작업은 JSON 이라는 정해진 형식으로 답을 내야 해서, AI 가 말실수 (형식 오류) 를 하지 않도록 엄격하게 훈련시켰습니다.

---

3. 왜 이 방법이 특별한가? (핵심 전략)

이 팀은 "무조건 큰 모델이 최고다"라는 통념을 깨뜨렸습니다.

• 효율성의 미학: 거대한 AI 모델 (수천억 개의 파라미터) 을 다 쓰지 않고, 140 억 개 이하의 작은 모델을 각 언어와 도메인 (음식점, 호텔, 금융 등) 에 맞춰 맞춤형으로 훈련시켰습니다.
  • 비유: 모든 사람을 위해 거대한 버스를 몰고 가는 대신, 각 마을 (언어/도메인) 에 딱 맞는 작은 택시를 여러 대 운영한 것입니다. 비용은 적게 들면서 목적지 (정확도) 에는 더 빨리, 정확하게 도착합니다.
• 언어별 맞춤: 영어에는 영어용, 중국어에는 중국용 모델을 따로 만들어서, 각 언어의 고유한 뉘앙스를 놓치지 않았습니다.
• 번역의 함정: 다른 언어를 영어로 번역해서 분석하면 안 된다는 것을 증명했습니다. 번역 과정에서 감정의 뉘앙스가 사라지거나 왜곡될 수 있기 때문입니다.

---

4. 결과: 작은 모델이 거대 모델을 이겼다!

실험 결과, 이 팀의 작고 효율적인 모델은 거대 기업들이 만든 초대형 AI 들과 비교해도 부럽지 않은, 오히려 더 뛰어난 성능을 보여주었습니다.

• 성공 요인: 자원을 아끼면서도 각 언어와 상황에 딱 맞는 '전문가'를 길러냈기 때문입니다.
• 한계: 아주 자료가 부족한 언어 (타타르어 등) 나 데이터가 적은 분야에서는 여전히 약간의 오차가 있을 수 있습니다.

🌟 요약

이 논문은 **"감정은 숫자로 정밀하게 측정할 수 있다"**는 것을 증명했습니다. 그리고 거창하고 비싼 AI 가 아니라, 각 상황에 맞춰 스마트하게 훈련된 작은 AI들이 더 효율적이고 정확한 감정 분석을 할 수 있음을 보여주었습니다.

마치 **"모든 사람을 위한 거대한 망치"보다는 "각 못에 맞는 정교한 망치"**를 사용하는 것이 더 좋은 결과를 낸다는 교훈을 남긴 연구입니다.

기술 요약

SemEval-2026 Task 3: AILS-NTUA 시스템 기술 요약

본 논문은 SemEval-2026 Task 3 (Dimensional Aspect-Based Sentiment Analysis, DimABSA) 에 참여하여 AILS-NTUA 팀이 제안한 시스템에 대한 기술 보고입니다. 이 작업은 다국어 및 다도메인 환경에서 **차원 기반 속성 기반 감정 분석 (DimABSA)**을 수행하는 것을 목표로 하며, 연속적인 감정 척도 (Valence-Arousal, VA) 를 활용합니다.

1. 문제 정의 (Problem Definition)

DimABSA 는 기존의 이산적인 감정 극성 (긍정/부정) 예측을 넘어, **가치 (Valence, V)**와 **각성 (Arousal, A)**이라는 연속적인 차원 (1.00~9.00) 으로 감정을 정량화하는 과제입니다. 본 논문은 Track-A 에 포함된 세 가지 하위 과제를 다룹니다:

1. DimASR (Dimensional Aspect Sentiment Regression): 주어진 텍스트와 속성 (Aspect) 에 대해 VA 점수를 회귀 (Regression) 로 예측.
2. DimASTE (Dimensional Aspect Sentiment Triplet Extraction): 텍스트에서 (속성, 의견, VA) 의 3 중항 (Triplet) 을 추출.
3. DimASQP (Dimensional Aspect Sentiment Quad Prediction): 텍스트에서 (속성, 카테고리, 의견, VA) 의 4 중항 (Quadruplet) 을 추출.

데이터는 중국어, 영어, 일본어, 러시아어, 타타르어, 우크라이나어 등 6 개 언어와 레스토랑, 노트북, 호텔, 금융 등 4 개 도메인으로 구성되어 있습니다.

2. 방법론 (Methodology)

저자들은 효율성과 성능을 균형 있게 맞추기 위해 경량화 된 인코더와 **파라미터 효율적 대규모 언어 모델 (LLM)**을 결합한 하이브리드 접근법을 사용했습니다.

2.1 DimASR: 경량 인코더 기반 회귀

• 아키텍처: 언어별 특화 인코더 (DeBERTa, RoBERTa, BERT, XLM-R 등) 를 미세 조정 (Fine-tuning) 하여 사용했습니다.
• 입력 처리: "Aspect: [속성]. Sentence: [텍스트]" 형식으로 입력을 연결하여 인코더에 주입합니다.
• 학습 목표: 평균 제곱 오차 (MSE) 와 일치 상관 계수 (CCC) 의 가중 합을 손실 함수로 사용하며, VA 가이드 삼중항 정규화 (Triplet Regularizer) 를 추가하여 표현 공간의 구조를 강화했습니다.
• 전략: 각 언어 - 도메인 쌍마다 별도의 모델을 학습시켜 최적의 성능을 확보했습니다.

2.2 DimASTE 및 DimASQP: 지시 튜닝된 LLM 생성

• 아키텍처: Llama 3.1 (8B) 및 Qwen 2.5 (7B, 14B) 계열의 오픈 소스 LLM 을 기반으로 합니다.
• 파라미터 효율성: 전체 모델 미세 조정이 아닌 **LoRA (Low-Rank Adaptation)**를 사용하여 어텐션 및 피드포워드 레이어만 학습시켰습니다. 이는 메모리 효율성을 높이고 추론 비용을 절감합니다.
• 생성 방식: 구조화된 JSON 형식으로 감정 요소들을 한 번의 디코딩 패스로 추출하도록 **지시 튜닝 (Instruction Tuning)**을 수행했습니다.
• 프롬프트 설계:
  • DimASQP 의 경우 도메인별 유효 카테고리 목록을 포함했습니다.
  • NULL(암시적 속성/의견) 처리를 위해 언어별 지시문을 설계하여 모델이 NULL 을 쉽게 예측하는 편향을 줄였습니다.
  • VA 값은 JSON 내 숫자 키 (Valence, Arousal) 로 명시적으로 분리하여 포맷 오류를 최소화했습니다.

3. 주요 기여 (Key Contributions)

1. 파라미터 효율적 다국어 회귀 프레임워크: DimASR 과 관련하여 언어별 특화 인코더를 미세 조정하여 대부분의 설정에서 제공된 베이스라인을 능가하는 성능을 달성했습니다.
2. 통합 LoRA 기반 지시 튜닝 파이프라인: 14B 이하의 LLM 을 사용하여 DimASTE 와 DimASQP 를 해결했습니다. 제로샷 (Zero-shot) 및 퓨샷 (Few-shot) 설정뿐만 아니라 감독 학습 (Supervised) 환경에서도 더 큰 모델 (70B 이상) 과 경쟁하거나 우월한 cF1 점수를 기록했습니다.
3. 번역 기반 교차 언어 전수 연구: 저자원 언어 (타타르어 등) 에 대해 영어로 번역된 데이터를 사용하여 학습한 모델의 성능을 분석했습니다. 번역 과정에서 발생하는 노이즈 (관용구 변화, 스킨 드리프트 등) 로 인해 원어 학습보다 성능이 저하되는 경향을 확인하고, 그 한계를 분석했습니다.

4. 실험 결과 (Results)

• DimASR: 대부분의 언어와 도메인에서 제공된 베이스라인 (Kimi K2 Thinking, Qwen 3 14B) 및 대규모 LLM 기반 접근법보다 낮은 RMSE 를 기록했습니다. 특히 영어와 중국어 도메인에서 파라미터 수가 적은 모델임에도 불구하고 우수한 성능을 보였습니다.
• DimASTE & DimASQP: 14B 이하의 LoRA 튜닝 모델이 benchmark 논문에서 보고된 70B 이상의 대규모 모델들과 비교하여 경쟁력 있거나 더 높은 cF1 점수를 달성했습니다.
  • 성능 격차: 저자원 언어 (타타르어 등) 나 데이터 분할 간 편차 (review 길이, 구조 밀도) 가 큰 경우 성능이 다소 불안정했습니다.
  • NULL 처리: 노트북 도메인의 경우 NULL 레이블이 많아 모델이 NULL 을 과도하게 예측하는 경향이 있었으나, 프롬프트 설계를 통해 이를 완화했습니다.
• 번역 전수: 번역 기반 학습은 저자원 언어에서 일부 보완 효과가 있었으나, 전반적으로 원어 학습보다 성능이 떨어지는 것으로 나타났습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 **효율적인 모델 (작은 규모의 LLM 및 경량 인코더)**이 차원 기반 감정 분석 (DimABSA) 과 같은 복잡한 구조적 예측 작업에서도 대규모 모델과 경쟁할 수 있음을 입증했습니다.

• 자원 효율성: 단일 GPU 환경에서도 LoRA 와 같은 파라미터 효율적 기법을 통해 고성능을 달성할 수 있음을 보였습니다.
• 실용성: 다국어 및 다도메인 환경에서 확장 가능한 유연한 프레임워크를 제시하여, 향후 DimABSA 연구 및 실제 응용에 기여할 것으로 기대됩니다.
• 한계: 저자원 언어에서의 데이터 불균형과 번역 노이즈, 그리고 대규모 모델의 추가적인 하이퍼파라미터 탐색 부족이 한계점으로 지적되었습니다.

결론적으로, AILS-NTUA 시스템은 제한된 계산 자원으로도 정밀한 차원 기반 감정 분석이 가능함을 보여주며, 효율성과 성능의 균형을 맞춘 새로운 방향성을 제시했습니다.