다중 작업 학습 (Multi-task learning) 기반의 자동 방사선 보고서 생성 (Radiology Report Generation, RRG)은 임상적 일관성을 보장하기 위해 널리 채택되고 있지만, 대부분의 연구는 아키텍처 설계에 집중되어 있으며 여전히 거친 선형 스칼라화 (Linear scalarization) 전략에 국한되어 있습니다. 이러한 전략은 판별적 임상 감독 (Discriminative clinical supervision)의 엄격한 제약 조건과 보고서 생성의 매끄러움 (Smoothness) 요구 사항 사이의 균형을 효과적으로 맞추지 못합니다. 이러한 문제를 해결하기 위해, 우리는 확률 미분 방정식 (Stochastic Differential Equation, SDE) 프레임워크를 활용하여 그래디언트 역학 (Gradient dynamics)의 관점에서 선형 스칼라화의 실패 메커니즘을 분석하고, 이를 드리프트 항 편차 (Drift term deviation)와 확산 항 감쇠 (Diffusion term decay)라는 "이중 딜레마 (Double Dilemma)"로 규정합니다. 이를 바탕으로, 우리는 백본 불가지론적 (Backbone-agnostic) 옵티마이저인 Conflict-Averse Magnitude-Enhanced Gradient Descent (CAME-Grad)를 제안합니다. 충돌 회피 방향 수정 (Conflict-averse direction rectification)과 크기 강화 에너지 주입 (Magnitude-enhanced energy injection)을 통해, 이 알고리즘은 기하학적 타당성을 보장할 뿐만 아니라 지역 최적해 (Local optimal solutions)를 피합니다. 그다음, 적응형 그래디언트 융합 (Adaptive gradient fusion) 메커니즘을 사용하여 이론적 최적 방향과 작업별 귀납적 편향 (Task-specific inductive bias) 사이의 동적 균형을 구축합니다. 실험 결과, 범용적인 플러그 앤 플레이 (Plug-and-play) 옵티마이저로서 CAME-Grad는 8가지의 다양한 RRG 방법론 전반에 걸쳐 상당하고 일관된 개선을 가져왔으며, MIMIC-CXR에서 평균 2.3%, IU X-Ray에서 1.9%의 전체 임상 효능 성능을 향상시켰습니다. 우리의 코드는 https://github.com/vpsg-research/CAME-Grad 에서 확인할 수 있습니다.