Toward Template-Free Explainability for Monte Carlo Tree Search

작성자

Haebom

카테고리

Empty

저자

Siqi Lu, Mirsaleh Bahavarnia, Hiba Baroud, Yixuan Zhang, Hemant Purohit, Ayan Mukhopadhyay

💡 개요

본 논문은 불확실성 하의 순차적 의사 결정 문제 해결에 효과적인 MCTS(Monte Carlo Tree Search)의 해석 가능성을 높이는 새로운 프레임워크를 제안합니다. 기존 방법과 달리 수동으로 정의된 제약 조건 없이 LLM(대규모 언어 모델)을 활용하여 MCTS 탐색 과정의 증거 기반 설명을 자동으로 생성합니다. 이를 통해 LLM이 중간 형식 표현 없이 MCTS 의사 결정에 대한 종단 간 설명자로 활용될 수 있음을 입증합니다.

🔑 시사점 및 한계

•

MCTS와 같이 복잡한 확률적 탐색 알고리즘에 대한 LLM 기반의 자동화된 설명 생성 가능성을 보여줍니다.

•

수동으로 정의해야 했던 형식 논리 제약 조건의 필요성을 제거하여 MCTS 설명의 접근성과 유연성을 높입니다.

•

LLM이 MCTS 결정의 근거를 효과적으로 추적하고 설명할 수 있음을 실험적으로 입증합니다.

•

LLM이 설명 생성에 필요한 충분한 증거를 탐색 트리에서 찾지 못할 경우, 목표 지향적 트리를 확장하는 메커니즘이 필요하며, 이러한 트리 확장 전략의 최적화는 향후 연구 과제입니다.

PDF 보기

Made with Slashpage