AGEL-Comp: 상호작용 에이전트에서의 구성적 일반화를 위한 신경상징적 프레임워크

대형 언어 모델 (LLM) 기반 에이전트는 구성적 일반화 (compositional generalization) 에서 체계적인 실패를 보이며, 이로 인해 상호작용 환경에서의 견고성이 제한됩니다. 본 연구는 에이전트의 행동을 기반으로 하여 이 과제를 해결하기 위해 설계된 신경상징적 (neuro-symbolic) AI 에이전트 아키텍처인 AGEL-Comp 를 소개합니다. AGEL-Comp 는 세 가지 핵심 혁신을 통합합니다: (1) 절차적 및 인과적 지식을 방향성 하이퍼그래프 (directed hypergraph) 로 표현하는 동적 원인 프로그램 그래프 (Causal Program Graph, CPG) 를 세계 모델로 활용; (2) 상호작용을 통해 상징적 지식을 기반으로 하여 경험적 피드백으로부터 새로운 호른 절 (Horn clauses) 을 합성하는 귀납 논리 프로그래밍 (Inductive Logic Programming, ILP) 엔진; (3) 대형 언어 모델 (LLM) 이 후보 하위 목표 (sub-goals) 집합을 제안하고 신경 정리 증명기 (Neural Theorem Prover, NTP) 가 이를 논리적 일관성을 위해 검증하는 하이브리드 추론 핵심부입니다. 이러한 구성 요소들은 추론-추상화 학습 사이클 (deduction-abduction learning cycle) 을 구현하여 에이전트가 계획을 추론하고 상징적 세계 모델을 추상적으로 확장하게 하며, 신경 적응 단계는 그 추론 엔진을 새로운 지식과 정렬되게 합니다. 우리는 AGEL 에이전트를 평가하기 위해 exttt{Retro Quest} 시뮬레이션 환경 내에서 구성적 일반화 시나리오를 탐구할 수 있는 평가 프로토콜을 제안합니다. 우리의 결과는 순수 LLM 기반 모델보다 우리의 AGEL 모델이 더 나은 성능을 명확히 나타냅니다. 본 프레임워크는 에이전트가 세계에 대한 명시적이고 해석 가능하며 구성적으로 구조화된 이해를 구축하는 원칙적인 경로를 제시합니다.