연구진은 정확도, 비용, 지연시간, 강건성, 일관성 등 여러 목표를 동시에 최적화하는 에이전틱 워크플로 생성 문제를 연구했다. 기존 방법들은 정확도 단독이나 가중합으로만 최적화해 하나의 고정된 트레이드오프에 묶이고, 선호가 바뀌면 처음부터 재학습해야 하는 한계가 있었다. 이를 해결하기 위해 워크플로 생성을 다목적 마르코프 결정 과정으로 공식화하고, 각 노드가 하나의 가중 점수가 아니라 도달 가능한 트레이드오프 집합을 저장하는 낙관적 집합값 백업을 활용한 컨벡스헐 몬테카를로 트리 탐색으로 푸는 MoFlow를 제안했다. 수학, 코드, 질의응답에 걸친 6개 벤치마크에서 MoFlow는 재학습 없이도 재학습하는 기준선들보다 평균 하이퍼볼륨이 가장 높았다.
- •정확도, 버용, 지연시간, 강인성, 일관성 다중 목표를 동시 최적화하는 워크플림 생성 문제 다런들어
- •기존 방법은 고정된 트말음오프에 묶여 선호 바끼끰 시 재학습 필요한 한가가 있었다
- •MoFlow는 다목적 마르코프 결정거거삼과 컨밝스헬 민젠이낤트리 트리 탐색을 활용
- •단일 탐색으로 파담 폵름을 근사해 재학습 없이 임의 선호에 따른 워크플림를 바놨 조회 가능
- •6개 벤치마크에서 재학습하는 기준선 대바 평긜 하이퍼볼륨 최고지 도달
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.
MoFlow: Multi-Objective Agentic Workflow Generation
- 1.MoFlow, 정확도·비용·지연·강건성 등 다목적을 동시 최적화하는 에이전틱 워크플로우 생성법 제안
- 2.워크플로우 생성을 다목적 마르코프 결정과정으로 정식화, Convex-Hull MCTS로 해결
- 3.선호도별 재훈련 없이 단일 탐색으로 파레토 전선 근사해 조회만으로 워크플로우 반환
- 4.베이스라인에 유리한 평가 설정서도 6개 벤치마크 평균 하이퍼볼륨 최고치 달성
왜 중요한가?
기존 방식이 선호가 바뀔 때마다 재훈련이 필요했던 것과 달리, 한 번의 탐색으로 다양한 트레이드오프에 즉시 대응하는 워크플로우를 제공해 실무 적용 유연성을 높인다.
언급 프로젝트
본문 미리보기
arXiv:2609.38294v1 Announce Type: new Abstract: We study the generation of agentic workflows that jointly optimize multiple objectives, such as accuracy, cost, latency, robustness, and consistency. Existing methods for workflow generation typically optimize accuracy alone or a weighted sum of objectives, so each trained generator commits to one fixed trade-off and must be retrained from scratch when preferences change. To alleviate this, we propose MoFlow, which generates workflows optimized ac
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
