Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

ReasoningShield: Content Safety Detection over Reasoning Traces of Large Reasoning Models

Created by
  • Haebom

저자

Changyi Li, Jiayi Wang, Xudong Pan, Geng Hong, Min Yang

개요

본 논문은 대규모 추론 모델(LRM)의 추론 과정에서 발생할 수 있는 안전 문제를 해결하기 위해, 추론 과정 자체를 검토하는 새로운 안전 검출 모델 ReasoningShield를 제안합니다. 기존의 질문-답변(QA) 중심의 안전 검출 모델의 한계를 극복하고자, 질문-생각(QT) 쌍을 기반으로 하는 새로운 안전 검출 작업을 정의하고, 8,000개 이상의 QT 쌍으로 구성된 고품질 데이터셋을 구축했습니다. ReasoningShield는 10가지 위험 범주와 3가지 안전 수준을 포함하며, 인간-AI 협업 주석 파이프라인을 통해 93% 이상의 주석 정확도를 달성했습니다. 다양한 벤치마크에서 기존 모델보다 우수한 성능(평균 F1 점수 0.92 초과)을 보였으며, 경량 배포를 위해 1B/3B 기본 모델을 사용하고, 사용자 친화적인 위험 분석 기능을 제공합니다. 모든 자원은 공개적으로 배포됩니다.

시사점, 한계점

•
시사점:
◦
LRM의 추론 과정 중 안전 문제 검출을 위한 새로운 접근 방식 제시
◦
고품질 QT 데이터셋 구축 및 공개를 통한 향후 연구 활성화
◦
기존 모델 대비 우수한 성능을 보이는 ReasoningShield 모델 개발
◦
경량화된 모델 구조와 사용자 친화적인 위험 분석 기능 제공
•
한계점:
◦
현재 데이터셋은 10가지 위험 범주에 국한되어 있음.
◦
ReasoningShield의 성능은 주로 in-distribution 및 out-of-distribution 벤치마크에 국한되어 실제 환경 적용에 대한 추가적인 검증 필요.
◦
데이터셋의 규모가 더 큰 기존 모델들과의 비교에서, 데이터셋 크기의 영향에 대한 추가 분석이 필요할 수 있음.
👍
Made with Slashpage