AI 기반 연구 시스템(ADRS)의 실행 결과가 팀과 프레임워크마다 제각각의 형식으로 흩어져 있어 비교·축적이 어려웠던 문제를 해결하는 통합 인프라 ROAR가 공개됐다. 관계형 스키마와 파싱 계층을 통해 서로 다른 ADRS 출력을 정규화하면서도 데이터 계보와 시간적 구조를 보존하고, 새로운 시스템 추가 시에도 스키마 수정이 필요 없도록 설계됐다. 여러 ADRS에서 수집한 900건 이상의 실행 데이터를 통합한 결과, 동일한 설정의 실행도 서로 다른 점수로 수렴할 수 있다는 기존 연구를 재확인했고, 많은 실행이 초반에 대부분의 성과를 달성하며 사전 해를 탐색에 반영하는 전략의 효과는 문제마다 다르다는 사실을 밝혔다. ROAR로 실제 ADRS 실행 구성을 최적화하는 데도 활용 가능함을 보였다.
- •서로 다른 형식의 AI 연구 시스템(ADRS) 실행 결과를 통합·비교하는 인프라 ROAR 공개
- •관계형 스키마로 데이터 계보·시간 구조를 보존하며 새 시스템 추가 시 스키마 수정 불필요
- •900건 이상의 통합 실행 데이터로 동일 설정도 다른 점수로 수렴할 수 있음을 재확인
- •사전 해 반영 전략의 효과가 문제별로 다르다는 점과 실제 실행 구성 최적화 활용 가능성을 입증
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
ROAR: Unifying Runs across Heterogeneous AI-Driven Research Systems
- 1.AI 기반 연구 시스템(ADRS)들의 실행 결과가 제각각 형식으로 흩어져 비교·축적이 어려운 문제를 푸는 통합 인프라 ROAR 제시
- 2.관계형 스키마와 파싱 레이어로 서로 다른 ADRS 출력을 정규화, 데이터 계보·시간 구조는 보존하며 신규 시스템도 스키마 변경 없이 수용
- 3.900개 이상 실행 데이터 분석 결과, 동일 설정의 실행도 서로 다른 점수로 수렴하고 전략별 효과가 문제마다 다름을 확인
- 4.축적된 데이터를 실제 ADRS 실행 설정에 활용 가능함을 보여 단순 분석용이 아닌 실행 가능한 인프라임을 입증
왜 중요한가?
AI가 연구 과정 자체를 탐색하는 ADRS 분야에서 각 팀의 실행 데이터가 고립돼 있던 문제를 처음 해결하는 공유 인프라로, 서로 다른 시스템·벤치마크 간 교차 비교를 가능하게 한다.
언급 프로젝트
본문 미리보기
arXiv:2610.03966v1 Announce Type: new Abstract: Each run of an AI-driven research system (ADRS) is an expensive search over a vast solution space, and dependable evaluation requires many runs, making run data both costly to produce and valuable to retain for large-scale analysis. Yet this data remains fragmented: teams operate in isolation, ADRS frameworks emit results in different formats, and no shared infrastructure exists to aggregate or compare runs across problems and systems. We present
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
