자연어에서 정확한 커버(Exact Cover)로: 제브라 퍼즐을 위한 신경-기호적 접근 방식

원문 발행 2026. 11. 03. 03:58원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

순수 LLM은 논리적 추론에 한계가 있으며, 고전적인 기호적 방법은 자연어 적용이 어렵습니다. 본 연구는 신경 의미론적 파싱과 결정론적 정확한 커버 추론을 결합한 신경-기호적 프레임워크를 제시합니다. 이 시스템은 LLM이 자연어를 구조화된 도구 호출로 변환하고, 기호적 솔버가 해답 및 개선 피드백을 제공하여 높은 성능을 입증했습니다.

핵심 포인트

LLM의 논리 추론 한계를 극복하기 위한 신경-기호적 접근법 제시.
자연어 제약 조건을 구조화된 도구 호출로 변환하는 과정 포함.
기호적 솔버가 해답 계산과 반복 개선 피드백을 제공함.
하이브리드 방식이 CoT 및 기존 신경-기호 모델보다 우수함을 입증.

사고의 연쇄(Chain-of-Thought, CoT) 생성은 코드 생성, 데이터 분석, 시험 유형 질문 답변을 포함한 복잡한 추론 작업에서 거대 언어 모델(Large Language Models, LLMs)의 성능을 크게 향상시켰습니다. 이러한 발전에도 불구하고, 순수 신경망 기반의 LLMs는 여전히 기본적인 논리적 추론 문제에 어려움을 겪으며, 기호적 추론 시스템이 가진 결정성(determinism), 건전성(soundness), 신뢰성을 갖추지 못하고 있습니다. 반면에 SAT solving이나 정확한 커버(exact cover)와 같은 고전적인 기호적 방법들은 정확성과 완전성을 보장하지만, 문제를 매우 전문화된 형식적 인코딩으로 표현해야 하므로 자연어 입력에 대한 적용 가능성이 제한됩니다. 본 연구에서는 신경 의미론적 파싱(neural semantic parsing)을 결정론적인 정확한 커버 추론과 결합하여 이러한 격차를 해소하는 시너지 효과가 있는 신경-기호적 프레임워크를 제시합니다. 자연어로 주어진 제브라 스타일의 논리 퍼즐에 대해, LLM은 개체와 제약 조건을 구조화된 도구 호출(structured tool calls)로 번역하여 정확한 커버 인스턴스를 구성합니다. 이후 기호적 솔버가 해답을 계산하고, 제브라 퍼즐의 고유성 속성을 활용하여 유효하지 않거나, 제약이 부족하거나, 과도하게 주어진 인코딩을 반복적으로 개선하기 위한 피드백을 제공합니다. 우리는 여러 매개변수 스케일, 학습 후 패러다임(post-training paradigms), 그리고 LLM 계열에 걸쳐 포괄적인 경험적 평가를 수행했습니다. 그 결과는 우리의 하이브리드 접근 방식이 CoT 프롬프팅을 포함한 강력한 순수 신경망 기반의 기준 모델뿐만 아니라 최근의 신경-기호적 방법들보다 일관되게 우수한 성능을 보임을 입증합니다.

AI 자동 생성 콘텐츠

원문 바로가기

자연어에서 정확한 커버(Exact Cover)로: 제브라 퍼즐을 위한 신경-기호적 접근 방식

요약

핵심 포인트

댓글