통합 시간적 적응을 위한 지식 기반 증강 및 검색 (KARITA)
요약
본 논문은 모델 배포 환경에서 발생하는 근본적인 문제인 '시간적 변화'에 대응하기 위해 KARITA(Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation)라는 새로운 프레임워크를 제안합니다. KARITA는 지식 기반의 증강 및 검색 메커니즘을 통합하여, 의미 분포와 도메인 지식이 진화하는 시간적 변화(예: 특징 이동, 불확실성)를 포착하고 활용할 수 있습니다. 임상, 법률, 과학 등 다양한 도메인의 분류 작업에서 KARITA가 기존 방법론 대비 일관되고 효과적인 성능 개선을 입증했습니다.
핵심 포인트
- 모델 배포 시 발생하는 시간적 변화(Temporal Shift)는 모델 개발의 주요 도전 과제이다.
- KARITA 프레임워크는 지식 기반 증강 및 검색을 통합하여 시간적 적응 능력을 향상시킨다.
- 이 방법론은 MeSH와 같은 풍부한 외부 도메인 온톨로지를 활용하여 변화하는 통찰력을 포착한다.
- 임상, 법률, 과학 등 다양한 이질적인 도메인에서 KARITA의 우수한 성능을 입증했다.
시간은 모델 개발 및 배포에서 근본적인 도전을 제기합니다: 모델은 일반적으로 과거 데이터로 학습되지만, 의미 분포와 도메인 지식이 진화할 수 있는 미래 데이터에서 배포되기 때문입니다. 불행히도, 기존 연구들은 시간적 변화를 간과하거나, 의미와 지식 모두의 풍부한 변화 패턴을 거의 포착하지 못합니다. 우리는 통합 시간적 적응을 위한 지식 기반 증강 및 검색 (Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation, KARITA) 을 개발하여 다양한 시간적 변화 (예: 불확실성과 특징 이동) 를 포착하고, 풍부한 지식 소스 (예: MeSH 와 같은 의학 온톨로지) 를 구축 및 통합하며, 선택-검색 증강 학습을 위해 변화하는 통찰력을 활용합니다. 우리는 여러 도메인 (임상, 법률, 과학) 의 분류 작업에서 KARITA 를 평가하여 시간적 적응과 함께 여러 도메인에서 일관된 개선을 입증했습니다. 우리의 결과는 지식 통합이 시간적 증강 및 학습에서 더 중요하고 효과적일 수 있음을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기