지능형 순차적 의사결정을 위한 3D 특성화 프레임워크

퍼즐은 지능형 시스템의 순차적 의사결정 추론 능력을 평가하는 데 광범위하게 사용되지만, 서로 다른 패러다임을 기반으로 하는 접근 방식들은 통일된 조건 하에서 비교되는 경우가 드뭅니다. 이러한 격차를 해소하기 위해, 우리는 세 가지 차원의 특성화 프레임워크를 도입합니다. 이 프레임워크는 AI 방법론을 1) 마르코프 결정 과정(MDP) 순차적 의사결정 형식론으로 투영하고, 2) 설계에 대한 인간의 사전 순위 지정(prior ranking)을 통한 자율성 정도, 그리고 3) 기술 및 계산 비용 측면에서 분석할 수 있도록 합니다. 이 프레임워크를 사용하여, 우리는 대표적인 그래프 기반, 강화학습 (RL), 대규모 언어 모델 (LLM) 기반 접근 방식들이 Neurosolver, 순전파-역방향 강화학습 (FBRL), 그리고 자동 사고 탐색 (AutoToS)을 통해 각각 구현된 설계 선택과 성능 특성에서 어떻게 다른지 분석합니다. 여기에는 사고 탐색의 이중 에이전트 확장(DA-ToS)도 포함됩니다. 본 분석은 잘 정의된 규칙과 확장 가능한 복잡성을 제공하는 Tower of Hanoi 퍼즐에 의존하며, 이는 증가하는 문제 크기에 걸쳐 일관된 비교를 가능하게 합니다. 3D 특성화 결과는 LLM 기반 방법들이 약하게 제약된 행동 공간 설계 때문에 복잡성을 아키텍처에서 추론 시간 검증으로 이동시키며, 그 결과 Neurosolver와 FBRL보다 상당히 높은 메모리 및 실행 시간 비용을 초래함을 밝혀냅니다.