DenoiseFlow: Uncertainty-Aware Denoising for Reliable LLM Agentic Workflows

Created by

Haebom

저자

Yandong Yan, Junwei Peng, Shijie Li, Chenxi Li, Yifei Shang, Can Deng, Ruiting Dai, Yongqiang Zhao, Jiaqi Zhu, Yu Huang

💡 개요

본 논문은 긴 복잡한 작업을 수행하는 LLM 에이전트 워크플로우에서 발생하는 누적 의미론적 모호성으로 인한 신뢰도 저하 문제를 해결하고자 합니다. 이를 위해 단계별 의미론적 불확실성을 추정하고, 위험도에 따라 계산량을 동적으로 할당하며, 근본 원인을 파악하여 복구하는 3단계 폐쇄 루프 프레임워크인 DenoiseFlow를 제안합니다.

🔑 시사점 및 한계

•

LLM 에이전트 워크플로우의 신뢰도를 향상시키기 위한 새로운 불확실성 인식 기반 동적 계산 할당 및 오류 복구 방법론을 제시합니다.

•

수학적 추론, 코드 생성, 다중 홉 질의응답 등 다양한 벤치마크에서 기존 방법 대비 우수한 정확도와 비용 절감 효과를 입증합니다.

•

실제 환경 적용 시, 검증기 피드백을 통한 지속적인 자체 교정 메커니즘을 통해 별도의 정답 레이블 없이도 성능을 유지할 수 있습니다.

•

제안된 프레임워크의 일반성과 견고성을 실험적으로 입증하였으나, 복잡한 실제 환경에서의 적용 가능성 및 확장성에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage