ReSS는 의료·금융 같은 고위험 도메인의 테이블 데이터 예측에서 기호적(symbolic) 모델과 신경 추론 모델을 연결하는 프레임워크다. 의사결정 트리에서 인스턴스별 결정 경로를 기호 scaffold로 추출하고, 이를 입력 특성·라벨과 함께 LLM에 제공해 결정 로직을 엄격히 준수하는 자연어 추론을 생성한다. 이 고품질 데이터로 LLM을 파인튜닝하고 scaffold-invariant 증강으로 일반화를 강화. 의료·금융 벤치마크에서 기존 의사결정 트리·표준 파인튜닝 대비 최대 10% 개선하며 충실하고 일관된 추론 제공.
- •테이블 데이터 예측에 symbolic + neural 추론 결합 프레임워크 ReSS
- •의사결정 트리 결정 경로를 scaffold로 LLM 파인튜닝
- •환각률·필요성·충분성 등 정량 충실도 메트릭 도입
- •의료·금융 벤치마크에서 기존 방법 대비 최대 +10%
- •결정 로직 엄격 준수 + 일관된 자연어 추론 동시 달성
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.
ReSS: Learning Reasoning Models for Tabular Data Prediction via Symbolic Scaffold
- 1.테이블 데이터 예측에 symbolic 추론을 LLM에 결합
- 2.의료·금융 고위험 도메인에서 설명 가능성 + 정확도 개선
- 3.결정 트리의 검증 가능성 + LLM 표현력을 동시 획득
왜 중요한가?
의료·금융 AI의 가장 큰 도입 장벽은 '검증 가능한 설명성'. ReSS는 symbolic 로직의 검증성과 LLM의 표현력을 결합해 실무 도입 가능 수준의 설명성+정확도를 제시.
언급 프로젝트
본문 미리보기
arXiv:2604.13392v1 Announce Type: new Abstract: Tabular data remains prevalent in high-stakes domains such as healthcare and finance, where predictive models are expected to provide both high accuracy and faithful, human-understandable reasoning. While symbolic models offer verifiable logic, they lack semantic expressiveness. Meanwhile, general-purpose LLMs often require specialized fine-tuning to master domain-specific tabular reasoning. To address the dual challenges of scalable data curation
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 15:12AI 초안
