Wentao Zhang Yang Young Lu Yuntian Deng

초록

기존의 신경망 학습 방식은 고정된 사전 정의된 최적화 절차를 따르며, 학습 과정에서 발생하는 불안정성이나 새로운 문제에 대해 동적으로 대응할 수 있는 유연성이 부족하다. 본 논문에서는 인간 전문가 또는 자동화된 AI 에이전트가 신경망 학습 중 실시간으로 피드백 기반의 개입을 가능하게 하는 오픈소스 프레임워크인 '인터랙티브 트레이닝(Interactive Training)'을 제안한다. 이 프레임워크의 핵심은 사용자 또는 에이전트와 지속적인 학습 과정 간의 통신을 중재하는 제어 서버(controls server)를 활용하여, 사용자가 최적화 알고리즘의 하이퍼파라미터, 학습 데이터, 모델 체크포인트 등을 실시간으로 동적으로 조정할 수 있도록 하는 점이다. 세 가지 사례 연구를 통해 인터랙티브 트레이닝이 학습의 안정성을 향상시키고, 초기 하이퍼파라미터에 대한 민감도를 감소시키며, 사용자의 변화하는 요구에 대한 적응성을 향상시킴을 입증하였다. 이러한 결과는 향후 AI 에이전트가 자율적으로 학습 로그를 모니터링하고, 사전에 불안정성을 탐지·해결하며 학습 동역학을 최적화하는 새로운 학습 패러다임의 실현 가능성을 열어준다.