다단계 규칙 연결 프레임워크를 통한 인지 추론 연구
A Multi-Stage Rule-Chaining Framework for Compositional and Interpretable Cognitive Reasoning
arXiv복잡한 인지 추론 능력을 측정하는 ARC 벤치마크를 위해, 상징적/구조적/개념적 수준을 아우르는 다단계 규칙 연결 프레임워크가 제안되었습니다.
- 결정적 규칙 발견, 패턴 합성 엔진, 구조 추상화 계층 등 세 가지 솔버를 순차적으로 결합하여 높은 해석 가능성을 확보했으며, ARC-AGI-2 테스트에서 95% 이상의 정확도를 달성했습니다.
- 이 연구는 단순한 규칙 학습을 넘어 상징적 추론과 시각 패턴 합성을 연결함으로써, 과제별 튜닝 없이도 투명하고 인간 수준의 인지 일반화가 가능함을 입증했습니다.
- 여러 솔버가 순차적으로 작동하는 '점진적 폴백 계층' 구조를 통해, 각 추론 단계의 과정을 명확히 해석할 수 있어 시스템의 신뢰도를 높였습니다.
본 논문은 복잡한 인지 일반화 능력을 측정하는 Abstraction and Reasoning Corpus (ARC) 를 위해 다단계 규칙 연결(rule-chaining) 프레임워크를 제안합니다. 이 프레임워크는 상징적, 구조적, 개념적 수준에 걸쳐 구성적 추론을 수행하며, 세 가지 보완적인 솔버를 통합하여 작동합니다.
제시된 시스템은 세 가지 핵심 솔버로 구성됩니다. 첫째, 기하학, 색상 및 객체 분석을 통해 원자적 변환을 유도하는 결정적 규칙 발견 모듈입니다. 둘째, 블록 병합, 반복 및 공간적 휴리스틱을 이용해 출력을 재구성하는 패턴-구성 엔진이 있습니다. 셋째는 그리드 전반에 걸쳐 계층적이고 중첩된 관계를 추론하는 구조적 추상화 계층이 역할을 수행합니다.
이 솔버들은 점진적 폴백(progressive fallback) 계층 내에서 순차적으로 작동하며, 각 단계가 이전의 추론 흔적을 재사용하여 해석 가능성과 일반화 능력을 높입니다. 이 아키텍처는 상징적 추론과 패턴 합성을 연결함으로써 과제별 튜닝 없이도 투명하고 인간 수준의 인지 일반화를 보여줍니다. 테스트 결과, 시스템은 전체 정확도가 95%를 초과했으며, ARC--2 테스트에서는 240개 중 230개의 문제를 해결했습니다.
용어 풀이
- 벤치마크
- 모델 성능을 같은 조건에서 비교하려고 만든 시험 문제 모음.
- AGI
- 사람처럼 거의 모든 지적 작업을 해낼 수 있는 수준의 AI. 아직 합의된 정의는 없어요.