하나의 태스크, 여러 인터페이스: 간단한 크로스-인터페이스 일관성 학습이 LLM 에이전트 강건성을 향상시킨다

요약

본 논문은 LLM 에이전트가 특정 인터페이스에 과도하게 의존하는 문제를 지적하고, 이를 해결하기 위해 Cross-Interface Policy Regularization (CIPR)을 제안합니다. CIPR은 두 개의 다른 인터페이스 하에서 훈련 샘플을 제시하며, 유도된 액션 분포 간의 KL 발산을 최소화하여 에이전트 정책의 강건성을 높입니다.

핵심 포인트

• LLM 에이전트는 특정 인터페이스에 과도하게 의존하는 경향이 있음.
• CIPR은 두 인터페이스 하에서 액션 분포 간 일관성을 유지하도록 훈련합니다.
• CIPR 적용 결과, 비축된 인터페이스 변형으로 인한 정확도 저하를 효과적으로 회복시킵니다.