이 논문은 모바일 포렌식 데이터베이스에서 개인식별정보(PII)를 찾는 문제를, 어느 테이블-열 영역에 있는지 미리 알 수 없는 불확실성 하의 적응적 탐색 문제로 재정의한 가설주도 프레임워크를 제시했다. 에이전트가 후보 테이블-열 영역의 순위를 매기고 표본 값을 조사하며, 과거 증거·신뢰도 점수·판단 이력을 메모리에 유지해 다음 가설을 정제한다. 가벼운 PII 탐색 단계와 검증된 영역에 대한 표적 추출·정규화·중복제거 단계를 분리해 전수 조사 범위를 표본 증거가 뒷받침하는 영역으로 제한한다. 안드로이드·iOS 앱 10개에서 수집한 SQLite DB 25개(Cellebrite CTF 코퍼스)를 대상으로 이메일·전화번호·도메인명·인명·주소를 평가한 결과, 3,751개 정답 개체 기준 Gemini 2.5 Pro가 F1 94.5%를 달성하면서 실질 탐색 공간을 평균 79.9% 줄였다.

• •모바일 포렌식 DB의 PII 탐색을 불확실성 하 적응적 가설주도 탐색 문제로 재정의한 프레임워크 제시
• •에이전트가 후보 영역 순위화·표본조사·증거메모리 유지로 가설을 반복 정제, 탐색과 추출단계 분리
• •Cellebrite CTF 코퍼스 25개 SQLite DB, 3,751개 정답 개체 기준 Gemini 2.5 Pro가 F1 94.5% 달성
• •탐색 공간을 평균 79.9% 축소하면서도 높은 정확도 유지, 모델 성능에 민감함을 확인