장면 인식 메모 차별화: 개인 지식 보존 선택

초록

본 논문은 대규모 사용자 상호작용 속에서 의미 있는 정보를 선별해 개인 메모에 저장하는 “메모 차별화” 작업을 제안한다. 제안된 Scene‑Aware Memory Discrimination(SAMD) 시스템은 Gating Unit Module(GUM)과 Cluster Prompting Module(CPM)으로 구성돼, 비핵심 데이터를 초기에 차단하고, 사용자 의도와 메모 장면을 클러스터링해 동적 메모 기준을 생성한다. 실험 결과, SAMD는 기억률을 높이고 연산 비용을 크게 절감하며, 다양한 개인화 응용에 적용했을 때 성능 향상을 입증한다.

상세 분석

SAMD는 두 개의 핵심 모듈, GUM과 CPM으로 설계되어 메모 차별화 문제를 효율적으로 해결한다. GUM은 ‘장면 기반 식별자’를 활용해 사용자가 흔히 사용하는 핵심 단어를 추출하고, 다중 역할 연기(role‑playing) 시뮬레이션을 통해 다양한 상호작용 상황을 재현한다. 이를 통해 비메모리얼(interaction) 데이터를 초기에 걸러내어 LLM의 연산 부하를 크게 감소시킨다. GUM의 게이팅 메커니즘은 인간의 선택적 주의 이론을 모방해, 물리적·언어적 특성에 따라 입력을 스코어링하고 임계값 이하인 경우 차단한다.

CPM은 메모 기준을 동적으로 정의한다. 먼저 음성 비서·대화 시스템 등에서 추출한 사용자 의도 신호를 기반으로 대규모 상호작용 로그를 분석해 ‘의도‑장면 친화도 행렬’을 만든다. 행렬 분해와 클러스터링을 통해 의도들을 유사 그룹으로 묶고, 각 클러스터에 대응하는 메모 장면(속성, 관계, 사건)과 연계된 차별화 규칙을 생성한다. 이러한 규칙은 프롬프트 형태로 LLM에 전달돼, 어떤 정보를 기억하고 어떤 정보를 폐기할지 명시적으로 지시한다.

논문은 직접 평가와 간접 평가 두 축으로 SAMD의 효용을 검증한다. 직접 평가에서는 메모 차별화 정확도·재현율·비메모리얼 데이터 차단 비율을 측정하고, 연산 시간·GPU 메모리 사용량을 보고한다. 간접 평가에서는 메모가 활용되는 지식 그래프 구축, 정보 검색, 추천 시스템 등 실제 응용 과제에서 SAMD를 적용했을 때의 성능 향상을 확인한다. 결과는 SAMD가 비메모리얼 데이터를 70% 이상 차단하면서도 기억률을 90% 이상 유지하고, 전체 파이프라인 비용을 30% 이상 절감함을 보여준다.

또한, SAMD는 ‘동적 메모 기준’이라는 특성을 갖는다. 새로운 애플리케이션 요구가 등장하거나 기존 의도가 변할 경우, GUM의 장면 식별자와 CPM의 차별화 규칙만 업데이트하면 되므로 재학습 없이 빠른 적응이 가능하다. 이는 현재 대부분의 메모 기반 LLM 시스템이 사전 정의된 고정 규칙에 의존하는 한계를 극복한다는 점에서 의미가 크다.

전반적으로 SAMD는 인간의 선택적 주의 메커니즘을 메모 차별화에 성공적으로 도입했으며, 대규모 개인 데이터 관리와 개인화 서비스에 필요한 효율성과 정확성을 동시에 달성한다는 점에서 향후 메모‑지원 AI 연구에 중요한 기반이 될 것으로 기대된다.