LG AI Research: 상식 기반의 Subgoal Planning 연구

언어 모델(LLM)이 텍스트 명령에서 일련의 중간 단계인 subgoal을 계획하는 데 유용한 상식을 인코딩할 수 있다는 점에 주목했다. 단 20개의 training 예시만으로 계획 예측에서 70%의 높은 recall을 달성하는 방법론을 제안한다.

LLM은 후보를 생성할 때 특정 단어가 자주 등장하는 popularity bias로 인해 순위가 왜곡되는 문제가 발생한다. 이를 해결하기 위해 **상호 정보량(Mutual Information)**에 근거한 순위 기준을 도입했다. 특히 쿼리와 가설 간의 관계를 결합한 가중 PMI를 활용하여 예측 성능을 개선했다.

연구팀은 ALFRED 벤치마크를 통해 성능을 검증했다. 실험 결과, 두 가지 metric을 λ = 0.5로 결합했을 때 기존 방식보다 일관되게 높은 정확도를 보이며 성능이 개선됨을 확인했다.

더 나아가 텍스트 명령뿐만 아니라 **환경 피드백(Environment Feedback)**을 통합하는 방식을 제안했다. 에이전트가 주변 환경에서 얻은 정보를 벡터화하여 re-ranker 모델에 전달함으로써, 객체 식별 오류를 줄이고 더욱 정교한 subgoal 예측이 가능하도록 설계했다.