대상에 대한 원인 chain 구성으로부터 명시적이고 감사 가능한 그래프 기반 추론

대규모 언어 모델의 발전

대규모 언어 모델의 발전을 위해 원인적이고 간섭적인 질문에 대한 답변은 필수적이다. 그러나 현재까지 존재하는 대규모 언어 모델 기반의 방법들은 종종 암시적인 언어 수준의 추론에 의존하여 투명하지 않은 원인적 가정, 검증할 수 없는 추론 경로, 복잡한 간섭 상황에서 약한 예측을 낳는다. 특히, 문맥이 없는 상황에서는 더욱 그러하다. 이러한 문제를 해결하기 위해 새로운 접근 방식이 필요하다.

새로운 프레임워크는 4개의 모듈적인 단계를 통해 명시적인 원인적 그래프를 통해 원인 추론을 구조화하여 암시적인 종단-끝 예측 대신 한다. 주요 혁신은 대상 변수를 그래프 확장 시 핵심 제약으로 다루어 대상 변수를 무시하는 변수, 의도치 않은 원인적 관계, 추론 노이즈를 효과적으로 억제하는 대상 인식 원인 그래프 생성 전략이다.

프레임워크의 성능

프레임워크의 성능을 평가하기 위해 세 가지 벤치마크에서 수행한 실험은 프레임워크가 기존 대규모 언어 모델 기반의 방법들을 상회하는 것을 보이며, 명시적이고 감사할 수 있는 원인적 추론 경로를 제공한다. 이러한 결과는 프레임워크의 효과를 입증하며, 대규모 언어 모델의 발전에 기여할 수 있다.

또한, 프레임워크는 강력한 결정을 내리는 것을 넘어서 단일 체인 추론을 넘어서 하는 데 도움이 되는 재현력 있는 효과를 모델링하는 반드시 강력한 효과를 모델링하는 경로 수준의 원인적 증거 집약 메커니즘을 추가한다. 이는 프레임워크의 유연성과 확장성을 높여주며, 다양한 응용 분야에서 활용될 수 있다.