분해 및 주입을 통한 구성적 다단계 사실 오류 수정 (CECoR)

요약

본 논문은 외부 증거를 활용하여 부정확한 텍스트를 수정하는 사실 오류 수정(FEC)의 한계를 극복하기 위해 '구성적 오류 수정(CECoR)' 프레임워크를 제안합니다. CECoR은 다단계 명제를 해석 가능한 추론 단계로 분해하고, 제어된 왜곡을 주입하여 고품질 훈련 쌍을 합성하는 것이 핵심입니다. 이 방법은 지도 미세 조정과 강화 학습을 결합한 두 단계 학습 전략을 통해 사실적 정확도와 견고성을 높였으며, 다단계 오류 수정에서 우수한 성능을 입증했습니다.

핵심 포인트

• 기존 FEC 방법들은 단일 단계 수정에 효과적이지만, 여러 증거 소스를 통한 구성적 추론이 필요한 다단계 오류 처리에 어려움이 있었습니다.
• 제안된 CECoR은 다단계 명제를 해석 가능한 추론 단계로 분해하고, 제어된 왜곡을 주입하여 고품질 훈련 데이터를 합성하는 프레임워크입니다.
• CECoR은 지도 미세 조정(Supervised Fine-tuning)과 강화 학습(Reinforcement Learning)을 결합한 두 단계 학습 전략을 사용하여 모델의 정확도와 견고성을 향상시킵니다.
• 평가 결과, CECoR은 다단계 벤치마크에서 기존 방법론보다 강력한 성능을 보였으며, 단일 단계 수정에도 효과적으로 일반화됨을 입증했습니다.