DSMentor: Enhancing Data Science Agents with Curriculum Learning and Online Knowledge Accumulation
Created by
Haebom
저자
He Wang, Alexander Hanbo Li, Yiqun Hu, Sheng Zhang, Hideo Kobayashi, Jiani Zhang, Henry Zhu, Chung-Wei Hang, Patrick Ng
개요
본 논문은 대규모 언어 모델(LLM) 에이전트의 데이터 과학 문제 해결 능력 향상을 위한 새로운 추론 시간 최적화 프레임워크인 DSMentor를 제시합니다. DSMentor는 커리큘럼 학습 전략을 활용하여, 간단한 문제부터 시작하여 점진적으로 복잡한 문제로 나아가는 방식으로 LLM 에이전트의 성능을 향상시킵니다. 이는 증가하는 난이도 순서대로 데이터 과학 문제를 구성하고, 이전 경험을 유지하는 장기 메모리를 활용하여 에이전트의 학습 진행 과정을 안내하고 축적된 지식을 효과적으로 활용하도록 합니다. DSEval과 QRData 벤치마크에 대한 실험 결과, DSMentor는 기준 에이전트에 비해 통과율을 최대 5.2% 향상시켰으며, 특히 인과 추론 문제에서는 GPT-4보다 8.8% 향상된 성능을 보였습니다. 이 연구는 추론 중 지식 축적 및 활용 전략의 중요성을 강조하며, 인간의 학습 과정을 모방하여 커리큘럼 기반 추론 최적화를 통해 LLM 성능을 향상시키는 새로운 방법을 제시합니다.
시사점, 한계점
•
시사점:
◦
LLM 에이전트의 데이터 과학 문제 해결 능력 향상에 커리큘럼 학습 전략의 효용성을 입증.
◦
추론 시간 최적화를 위한 새로운 프레임워크 DSMentor 제시.
◦
장기 메모리 활용을 통한 지식 축적 및 활용 전략의 효과성 확인.
◦
인과 추론 능력 향상에 대한 실험적 증거 제시.
◦
인간 학습 과정을 모방한 LLM 성능 향상 방안 제시.
•
한계점:
◦
DSMentor의 성능 향상이 특정 LLM (Claude-3.5-Sonnet) 및 벤치마크에 국한될 가능성.
