MAnchors 메모리 기반 앵커 가속화와 규칙 변환 기법

초록

**
본 논문은 로컬 모델‑불가지론 설명 기법인 Anchors의 높은 연산 비용을 완화하기 위해, 이전 설명 과정에서 얻은 저정밀·고커버리지 규칙을 메모리에 저장하고, 새로운 입력에 대해 수평·수직 변환을 적용해 재사용하는 MAnchors 프레임워크를 제안한다. 실험 결과, 표, 텍스트, 이미지 데이터셋에서 설명 생성 시간을 평균 5‑9배 가속하면서도 원본 Anchors와 동등한 정밀도와 해석 가능성을 유지한다.

**

상세 분석

**
MAnchors는 Anchors 알고리즘이 “점진적 규칙 정제” 과정을 거친다는 점에 착안한다. 기존 Anchors는 입력 주변에서 무작위 변형을 샘플링하고, 각 후보 규칙의 커버리지와 정밀도를 추정해 목표 정밀도 τ를 만족할 때까지 규칙에 프레디케이트를 추가한다. 이 과정은 샘플링 비용이 지배적이며, 특히 대규모 언어 모델(Large Language Model)이나 고차원 이미지·텍스트 데이터에서 수시간이 소요될 수 있다.

MAnchors는 두 가지 핵심 아이디어를 도입한다. 첫째, 메모리에 “저정밀·고커버리지” 규칙을 저장한다. 이러한 규칙은 일반화된 형태이므로 동일하거나 유사한 입력 영역에서 재사용 가능성이 높다. 둘째, 저장된 규칙을 새로운 입력에 맞게 수평 변환(Horizontal Transformation, HT) 과 수직 변환(Vertical Transformation, VT) 로 조정한다.

• 수평 변환(HT) 은 기존 규칙의 프레디케이트를 현재 입력의 가장 유사한 특징으로 매핑한다. 텍스트에서는 의미 공간상의 단어 거리, 이미지에서는 슈퍼픽셀 임베딩 거리, 표형 데이터에서는 절대값 차이를 이용해 가장 가까운 특성을 찾는다. 이를 통해 규칙 구조는 유지하면서도 피처 레벨에서의 불일치를 해소한다.

• 수직 변환(VT) 은 HT를 거친 일반 규칙을 점진적으로 구체화한다. 규칙에 새로운 프레디케이트를 추가하면서 정밀도가 τ를 초과할 때까지 반복한다. 이 과정은 기존 Anchors의 탐색 절차와 동일하지만, 초기 커버리지가 높은 규칙을 시작점으로 삼아 샘플링 횟수를 크게 줄인다.

알고리즘 흐름은 크게 Memory Miss와 Memory Hit 두 경우로 나뉜다. Miss 상황에서는 기존 Anchors를 그대로 실행해 중간 규칙 r_mid 과 최종 규칙 r 을 얻고, r_mid 을 메모리에 저장한다. Hit 상황에서는 저장된 r_mid 을 HT 로 현재 입력에 맞게 변환하고, VT 로 정밀도를 만족시킨 뒤 최종 규칙을 반환한다.

복잡도 분석에 따르면, 메모리 탐색 및 변환 단계는 O(n) 수준이며, 샘플링 단계는 기존 Anchors 대비 평균 87% 감소한다. 실험에서는 Llama‑2(7B) 모델에 대해 8.74배 가속, 이미지 데이터에서는 슈퍼픽셀 기반 설명에서 6‑7배 가속을 기록했다. 정밀도와 커버리지 측면에서는 원본 Anchors와 통계적으로 유의미한 차이가 없으며, 인간 평가에서도 해석 가능성에 차이가 없었다.

이 논문의 주요 기여는 (1) Anchors의 반복적 구조를 활용한 메모리 기반 가속화 전략, (2) 고차원 데이터에서도 적용 가능한 두 단계 변환 프레임워크, (3) 다양한 도메인에서 실증된 성능 향상이다. 한계점으로는 메모리 관리 비용과 유사도 측정 함수 설계가 도메인에 따라 민감할 수 있다는 점, 그리고 매우 드문 입력에 대해서는 여전히 전체 샘플링이 필요하다는 점을 들 수 있다. 향후 연구에서는 메모리 압축 기법, 온라인 학습 기반 유사도 업데이트, 그리고 다중 모델·다중 태스크 환경에서의 규칙 공유 메커니즘을 탐색할 여지가 있다.

**