LLM 기반 워크플로우 최적화는 일반적으로 단일 스칼라 메트릭을 기반으로 후보 워크플로우를 평가하는 전역 검색으로 공식화되지만, 정보 붕괴라는 치명적인 결함이 있다. 저자들은 이 문제를 분포 문제로 재고찰하여, 스칼라 점수를 최대화하는 대신 워크플로우의 기대 실패 질량(FSS에서 정의된 실패 확률 밀도 함수의 적분)을 직접 최소화하는 새로운 패러다임을 제안한다. CE-Graph라는 프레임워크를 통해 이 패러다임을 구현하며, 이는 실패 기반 정제 과정을 통해 작동한다. CE-Graph는 반례 풀에서 실패 분포를 근사하고, 가장 밀집된 영역을 반복적인 실패 모드로 식별하며, Propose-and-Verify 메커니즘을 통해 대상 연산자 제한 그래프 편집을 적용하여 실패 질량을 감소시킨다. 수학, 코드 및 QA 벤치마크에서 CE-Graph는 강력한 기준선보다 훨씬 낮은 비용으로 더 높은 견고성을 달성했다.
