Bayesian 모델 칼리브레이션을 위한 문헌 정보를 기반으로 한 전역 분포 설계

베이즈 모델 보정은 프로세스 기반 모델의 감시 작업을 위해서 각 모델의 매개변수에 대한 초기 분포가 필요하다. 하지만 균일한 초기 분포를 사용하는 이유는 이 작업을 수행하기 위한 분야 지식과 통계 지식이 필요하고, 이를 통해 의미 있는 초기 분포를 구축하는 데 시간이 많이 걸린다는 것이다. 이를 해결하기 위해 분포 구축 에이전트라는 에이전트 기반 웹 애플리케이션을 개발하여 이 과정을 자동화했다. 분포 구축 에이전트는 매개변수 이름, 물리적 설명, 분야 맥락을 입력받아, 분야 관련성에 따라 추출한 보고된 값의 가중치를 계산하고, 정보 기준 모델 선택을 통해 확률 분포를 구축한다.

자동화된 초기 분포 구축

분포 구축 에이전트는 모델이 물리적으로 해석할 수 있는 매개변수와, 분야 지식이 출판된 문헌에 존재하는 문제에 적합한 도구로 설계되었다. 또한, 분포 구축 에이전트는 24개의 매개변수와 10개의 과학적 분야에서, 3개의 공개 가중치 모델과 단일 프롬프트 대규모 언어 모델 대시선 모델을 비교하여 평가했다. 분포 구축 에이전트의 초기 분포의 품질은 대규모 언어 모델 대시선 모델과 일치한다. 생성된 각 초기 분포는 구축된 문헌과 값으로 추적된다. 분포 구축 에이전트는 범위 밖의 요청에 대해 초기 분포를 생성하지 않지만, 대규모 언어 모델 대시선 모델은 자신감 있지만 근거 없는 초기 분포를 생성한다. 분포 구축 에이전트는 지역적으로 호출된 언어 모델 호출을 사용하므로, 매개변수 설명이나 미발표 모델링 세부 정보가 제3자 대규모 언어 모델 제공자로 전송되지 않는다. 과학적 사용을 위해, 이러한 특성들이 점근적 정확도 향상보다 더 중요한 특성이라고 주장한다. 분포 구축 에이전트는 사용자에게 생성된 초기 분포에 대한 증거와 신뢰도 수준을 명확하게 보고한다. 이는 사용자가 모델의 신뢰도와 정확도를 평가할 수 있도록 도와준다. 분포 구축 에이전트는 베이즈 모델 보정을 위한 문헌 정보를 기반으로 한 전역 분포 설계를 자동화하여, 사용자의 작업을 효율화하고 모델의 정확도를 향상시킬 수 있다.