기술 요약: 저자 이름 모호성 해소를 위한 교차 소스 추론 기반 교정 (CrossND)

1. 문제 정의

저자 이름 모호성 해소(Author Name Disambiguation, AND)는 학술 검색 시스템의 근본적인 과제로, 동일한 이름을 공유하는 서로 다른 개인들을 구별하는 것을 목표로 합니다. 기존 방식들은 주로 "From-Scratch" 방식(이름을 기준으로 논문을 클러스터링)이나 단일 데이터 소스 내에서의 실시간 교정에 집중하고 있으나, 다음과 같은 두 가지 결정적인 한계점을 가집니다:

1. 누적된 오류: 불완전한 알고리즘은 논문-저자 할당 과정에서 필연적인 오류의 누적을 초래합니다.
2. 소스 간 불일치: 서로 다른 학술 데이터베이스(예: AMiner, MAG, Google Scholar)는 종종 일관되지 않은 논문-저자 할당을 포함하고 있습니다. 현재의 방법들은 이러한 교차 소스 간의 불일치를 무시하거나, 이를 바로잡기 위해 자원이 많이 소모되는 전문가 주석(annotation)에 의존합니다.

본 논문은 새로운 패러다임인 **교차 소스 교정(Cross-Source Correction)**을 제안합니다. 외부 데이터를 정답(ground truth)으로 취급하는 대신, 내부 소스($G_{in}$)와 외부 소스($G_{out}$) 사이의 불일치를 활용하여 인간의 개입 없이도 잘못된 논문-저자 할당을 식별하고 교정하는 것을 목표로 합니다.

2. 방법론: CrossND 프레임워크

저자들은 노이즈가 있는 레이블을 처리하고 교차 소스 추론을 활용하도록 설계된 풀스택 프레임워크인 CrossND를 제안합니다. 이 프레임워크는 세 단계의 순차적인 단계로 구성됩니다.

1단계: 정제 체인 파이프라인 (Chain-of-Refinement Pipeline)

학습 전 레이블 노이즈를 완화하기 위해, 저자들은 대규모 언어 모델(LLM)을 사용하는 3단계 파이프라인을 채택합니다:

1. 프로필 정제 (Profile Cleaning): LLM이 저자의 원래 프로필(논문 목록)을 분석하여 저자의 연구 정체성과 일치하지 않는 이상 논문을 식별 및 제거함으로써, 고신뢰도 논문들로 구성된 "코어셋(coreset)"을 구축합니다.
2. 할당 예측 (Assignment Prediction): 내부 및 외부 소스에서 정제된 프로필을 사용하여, LLM은 배치 단위로 논문-저자 쌍에 대한 소프트 매칭 점수(확률)를 예측합니다.
3. 배치 점수 정제 (Batch Score Refinement): 서로 다른 API 호출 배치 간의 캘리브레이션 불일치를 해결하기 위해, 전체 데이터셋에 걸쳐 일관된 확률 범위를 보장하도록 LLM에 다시 프롬프트를 제공하여 점수를 전역적으로 정제합니다.

2단계: 교차 교정 지도 미세 조정 (Cross-Correction Supervised Fine-Tuning, SFT)

정제된 소프트 레이블은 모델(Qwen3-8B with LoRA)을 미세 조정하기 위한 감독 신호로 사용됩니다. 여기서 핵심 혁신은 삼중항 $(p, a_{in}, a_{out})$ 내의 논리적 의존성을 모델링하기 위해 **확률적 소프트 로직(Probabilistic Soft Logic, PSL)**을 통합하는 것입니다:

• 데이터 분할: 학습 데이터는 내부 저자와 외부 저자가 매우 유사한 **일치 세트($D_{cs}$)**와 서로 다른 **불일치 세트($D_{ics}$)**로 나뉩로집니다.
• PSL 기반 손실 함수: 프레임워크는 논리적 제약을 강제하는 손실 함수를 공식화합니다.
  • 일치 세트의 경우, 외부 논문-저자 매칭이 높고 저자들이 유사하다면 내부 매칭도 높아야 합니다.
  • 불일치 세트의 경우, 모델은 올바른 할당의 가능성을 최대화하고 상충하는 할당의 확률을 최소화함으로써 어느 소스가 틀렸는지 추론합니다.
  • 전체 손실은 이 PSL 손실과 표준 교차 엔트로피(Cross-Entropy) 손실을 하이퍼파라미터 $\lambda$에 의해 가중 결합합니다.

3단계: 테스트 타임 스케일링 (Test-Time Scaling, TTS)

예측의 견고성을 높이기 위해, 저자들은 추론 과정에서 부트스트래핑 전략을 사용합니다:

• 신뢰도 추정: 모델의 예측 신뢰도에 따라 논문을 정렬합니다.
• 스네이크 처리 및 인터리빙 (Snake Dealing & Interleaving): 논문들을 "스네이크" 패턴(지그재그)을 사용하여 배치로 배분하고, 배치 내에서 재정렬(고-저-고-저)합니다. 이는 고신뢰도 샘플이 동일한 컨텍스트 윈도우 내의 저신뢰도 샘플에 대한 모델의 예측을 캘리브레이션하는 "퓨샷 앵커(few-shot anchors)" 역할을 하도록 보장합니다.

3. 주요 기여

• 새로운 패러다임: 본 논문은 불일치하는 할당을 노이즈나 정답으로 취급하는 대신, 오류 탐지를 위한 신호로 활용하는 관점인 교차 소스 교정을 도입합니다.
• 풀스택 프레임워크: CrossND는 노이즈가 있는 레이블과 복잡한 관계적 의존성 문제를 해결하기 위해 데이터 정제(Chain-of-Refinement), 논리적 추론(PSL 기반 SFT), 그리고 추론 최적화(TTS)를 통합합니다.
• 노이즈 완화: Chain-of-Refinement 파이프라인은 저자 프로필의 노이즈를 효과적으로 제거하고 신뢰할 수 있는 소프트 레이블을 생성하여 인간의 주석 의존도를 낮춥니다.
• 논리적 제약: PSL 기반 교차 교정 모듈은 소스 간의 논문-저자 쌍 사이의 상호 의존성을 명시적으로 모델링하여, 어떤 소스에 오류가 있는지 추론하는 모델의 능력을 향상시킵니다.

4. 실험 결과

프레임워크는 두 개의 실제 데이터셋인 WhoIsWho(AMiner와 MAG 비교)와 KDD Cup(AMiner와 사용자 편집 데이터 비교)에서 평가되었습니다.

• 성능: CrossND는 전통적인 머신러닝 모델(GBDT, LOF), 그래프 기반 방법(DCI), 노이즈 강건 자가 교정 방법(Co-teaching, CORES), 직접적인 LLM API 호출(GPT-5, Claude, Gemini)을 포함한 17개의 베이스라인을 지속적으로 능가했습니다.
  • WhoIsWho에서 CrossND는 AUC 82.19%, **MAP 61.79%**를 달성하여 가장 우수한 베이스라인인 GuARD(AUC 77.14%)를 크게 앞질렀습니다.
  • KDD Cup에서 CrossND는 AUC 87.34%, **MAP 78.13%**를 달성하여 가장 우수한 베이스라인인 GuARD(AUC 85.27%)를 능가했습니다.
• 절제 연구 (Ablation Studies):
  • 외부 소스를 제거했을 때 가장 큰 성능 저하가 발생하여, 교차 소스 신호의 필요성을 확인했습니다.
  • 프로필 정제 또는 배치 점수 정제를 제거하면 성능이 저하되어, Chain-of-Refinement 파이프라인의 유효성을 입증했습니다.
  • PSL을 제거했을 때 랭킹 지표(MAP)에서 혼재된 결과가 나타났으나 대체로 부정적인 영향을 미쳤으며, 이는 논리적 제약의 가치를 강조합니다.
• 비용 효율성: 정제 파이프라인의 평균 API 비용은 WhoIsWho 기준 논문당 약 $0.0019였습니다. 배포된 SFT 모델은 단일 H100 GPU에서 초당 약 26개의 논문을 처리합니다.
• 실제 배포: 시스템은 인간의 검증을 돕기 위해 배포되었습니다. 파일럿 테스트에서 숙련된 주석가들은 2,154개의 쌍 중 1,061개의 할당 오류를 발견하였으며, 이는 이전 시스템에 비해 탐지된 오류가 47% 증가한 수치입니다.

5. 의의 및 주장

본 논문은 CrossND가 서로 다른 데이터 소스 간의 "집단 지성"을 활용하여 저자 이름 모호성 오류를 교정하는 확장 가능하고 자동화된 솔루션을 제공한다고 주장합니다.

• 견고성: 프레임워크는 두 소스 모두에 노이즈가 있더라도, 그 불일치를 논리적으로 분석한다면 교차 소스 추론이 잘못된 할당을 효과적으로 식별할 수 있음을 보여줍니다.
• 실용성: 광범한 인간 주석을 요구하는 방법들과 달리, CrossND는 최소한의 인간 개입으로 작동하며 실제(예: AMiner 플랫폼) 대규모 논문-저자 할당 교정을 지원하기 위해 성공적으로 배포되었습니다.
• 일반화 가능성: 이 접근 방식은 특정 데이터셋에 국한되지 않습니다. PSL과 chain-of-refinement의 사용은 학술 검색 시스템 내의 노이즈가 있는 관계형 데이터를 처리하기 위한 일반화 가능한 전략을 제공합니다.

저자들은 자신들의 작업이 인간의 전문성을 완전히 대체하는 것이 아니라, 수동 검증의 부담을 크게 줄여주는 매우 정확하고 자동화된 사전 스크리닝 메커니즘을 제공함으로써 인간의 능력을 증강하는 것이라고 강조합니다.