상관관계만으로는 부족하다: 개별 인과 관계 발견을 위한 인간 메타데이터 임베딩 (Embedding Human Metadata for

사전 학습된 생물 의학 언어 모델 (pretrained biomedical language model)에게 "코르티솔(cortisol) 28 ug/dL"과 "주식 시장 변동성(stock-market volatility)"이 관련이 있는지 묻는다면, 모델은 1.0이 동일함을 의미하는 척도에서 0.83의 코사인 유사도 (cosine similarity)를 반환합니다. 이 두 요소는 어떠한 메커니즘도 공유하지 않습니다. 이는 특이한 사례가 아닙니다. 우리가 테스트한 모든 기성 생물 의학 인코더 (off-the-shelf biomedical encoder; BioBERT, PubMedBERT, BioM-ELECTRA)는 정답이 0에 가까워야 하는 서로 관련 없는 도메인 간 쌍 (cross-domain pairs)에 대해 0.76에서 0.92 사이의 점수를 기록했습니다. 도메인 간 판별 (cross-domain discrimination) 정확도는 0%입니다. 검색 시스템 (Retrieval systems)은 하류의 언어 모델 (language model)이 노이즈를 걸러내기 때문에 이 문제를 견뎌낼 수 있습니다. 하지만 문장이 아닌 사람을 대상으로 하는 파운데이션 모델 (foundation model)인 대규모 행동 모델 (Large Behavioural Model, LBM)은 그렇지 않습니다. LBM은 사용자의 삶의 그래프를 기반으로 추론하며, 임베딩 근접성 (embedding proximity)을 두 사건이 인과적으로 연결되어 있다는 증거로 취급합니다. 잘못된 근접성은 잘못된 인과적 엣지 (causal edge)를 작성하며, 하류의 모든 과정이 이 오류를 상속받습니다. 여기서 임베딩 기하학 (embedding geometry)은 단순히 조정 가능한 노브 (tuning knob)가 아니라, 정답 여부 그 자체입니다.

우리는 이에 대한 해결책을 보고합니다. 72,034개의 쌍에 대한 대조 학습 (contrastive pass)을 통해 PubMedBERT의 BIOSSES 상관관계를 0.633에서 0.828로 높였으며, 도메인 내 대 도메인 간 분리도 (within-vs-across-domain separation)를 1.05배에서 1.63배로 향상시켰습니다. 두 번째 단계인 BODHI는 생물 의학 지식 그래프 (biomedical knowledge graph)에 존재하지 않는 엣지로부터 하드 네거티브 (hard negatives)를 채굴하여, 4.5%의 BIOSSES 비용으로 분리도를 2.30배로, 판별 격차 (discrimination gap)를 +0.392로 끌어올렸습니다. AMX가 탑재된 Intel Xeon 6737P에서 OpenVINO를 사용하면 단일 쿼리 지연 시간 (single-query latency)을 1367ms에서 10ms로 (133배) 단축하고 초당 555개의 문장에 도달할 수 있습니다. 한 가지 발견은 표준적인 권장 사항과 상충됩니다. 이 실리콘 (silicon) 환경에서는 모든 서빙 배치 크기 (serving batch size)에서 FP16이 INT8보다 우수하며, 우리는 그 이유를 설명합니다. AMX가 없는 Ice Lake 인스턴스에서 동일한 모델을 실행하면 13~27배 더 느리게 작동합니다. 우리는 벤치마크 제품군, 학습 코퍼스 (training corpora), BODHI 생성기 및 OpenVINO 스크립트를 공개합니다.