대응형 탐색을 위한 다원적 쿼리 초기화: 파라다임이 병렬되는 샘플링의 초월

인공지능이 목표를 달성하기 위해 필요한 과정을 수시로 반복하는 '대화식 탐색'에서, 목표 달성을 위한 과정을 더 많이 반복하거나 더 많은 과정을 동시에 진행하는 두 가지 방법 중 하나를 선택하여 과정을 더 빠르게 진행하는 '시간당 확대'를 연구했다. 이번 연구에서는 '동시 탐색' 방법에 집중하였으며, 일반적인 동시 샘플링 방법은 성능이 점차적으로 저하되는 것을 발견하였다. 이는 첫 번째 질문에 대한 비슷한 질문을 여러 번 반복하는 것이 원인으로, 첫 번째 질문을 통해 얻은 정보에 따라 나머지 과정의 질문이 조건화되기 때문이다. 이러한 문제를 해결하기 위해 'DivInit'이라는 첫 번째 질문에 대한 샘플링 방법을 개발하였는데, 이 방법은 첫 번째 질문에 대한 n개의 후보를 생성하고, k개의 후보 중 다양성을 가진 k개의 후보를 선택하여 동시에 진행하는 방법이다. 여러 개의 모델과 8개의 평가 지표를 사용한 실험 결과, 'DivInit'은 일반적인 동시 샘플링 방법보다 성능이 5~7점 정도 더 좋다는 것을 확인하였으며, 코드는 https://github.com/cxcscmu/diverse-query-initialization에서 확인할 수 있다.