머신은 아직 수학을 배울 수 없다

초록

본 논문은 현재의 텍스트 임베딩 기법이 수학 문서의 의미를 제대로 파악하지 못하는 이유를 분석하고, 수학적 표현의 구조적·의미적 정보를 포착하기 위한 핵심 과제들을 제시한다.

상세 분석

이 논문은 수학 정보 검색(MIR) 분야에서 기존의 워드 임베딩(word2vec, paragraph‑vectors 등)과 최근의 수학 전용 임베딩(EqEmb, EqEmb‑U) 기법들을 실험적으로 평가하면서, 이들 방법이 근본적인 한계에 봉착한다는 점을 강조한다. 첫 번째 한계는 수학 기호와 식이 갖는 다중 의미성이다. 예를 들어 “W(2,k)”와 같은 표현은 함수 호출, 곱셈, 혹은 특정 상수의 표기 등 상황에 따라 전혀 다른 의미를 가질 수 있다. 현재의 임베딩은 주변 텍스트만을 기반으로 의미를 추론하므로, 기호 자체가 가진 정의나 수학적 컨텍스트를 구분하지 못한다. 두 번째 한계는 표준화된 구조적 표기법의 부재이다. MathML·Content‑MathML은 기호와 함수, 변수, 인덱스 등을 XML 트리 형태로 기술하려 하지만, 실제 구현에서는 csymbol·ci 등 요소의 사용 규칙이 모호하고, 동일한 수학 객체를 어떻게 표현할지에 대한 통일된 규칙이 없다. 이로 인해 자동 파싱·링크링이 불가능하고, 임베딩 모델이 학습할 수 있는 일관된 시그널이 부족해진다. 세 번째 한계는 데이터 라벨링의 스케일 문제이다. 수학 식과 그 정의를 연결하는 ‘identifier‑definition’ 쌍을 대규모로 구축하려면, 수천 개의 논문에 걸친 정교한 주석이 필요하지만 현재 공개된 데이터셋은 매우 제한적이다. 따라서 지도 학습 기반 모델은 일반화에 실패한다. 논문은 이러한 문제들을 ‘구조적 의미 파악’, ‘표준화된 수학 메타데이터’, ‘대규모 고품질 라벨링’ 세 축으로 정리하고, 향후 연구가 이 세 축을 동시에 강화해야 비로소 머신이 수학을 “학습”할 수 있다고 주장한다.