그래프에서 트리로의 학습: 수학적 단어 문제 해결을 위한 접근

최근의 트리 기반 신경망 모델들은 수학 단어 문제(MWP)의 해결 식 생성에서 유망한 성과를 보여주었지만, 이러한 모델의 대부분은 양들 사이의 관계와 순서 정보를 잘 포착하지 못하는 문제가 있다. 이로 인해 양의 표현이 부정확해지고, 잘못된 해결 식이 생성되는 결과를 초래한다. 본 논문에서는 그래프 기반 인코더의 장점을 활용하면서도 트리 기반 디코더의 구조적 유연성을 결합한 새로운 딥러닝 아키텍처인 Graph2Tree를 제안한다. 제안하는 Graph2Tree 프레임워크에는 양의 셀 그래프(Quantity Cell Graph)와 양의 비교 그래프(Quantity Comparison Graph)라는 두 가지 그래프 구조가 포함되어 있으며, 기존 방법의 한계를 보완하기 위해 MWP 내 양들 간의 관계와 순서 정보를 효과적으로 표현하도록 설계되었다. 우리는 두 개의 공개된 데이터셋을 대상으로 광범위한 실험을 수행하였으며, 실험 결과 Graph2Tree는 두 개의 벤치마크 데이터셋에서 최신 기준 모델들을 상당히 뛰어넘는 성능을 보였다. 또한 사례 연구를 통해 Graph2Tree의 효과성을 논의하고, MWP 텍스트를 해결 식으로 번역하는 과정에서의 실용성을 실증적으로 검증하였다.