디지털 라이브러리[ 검색결과 ]
문법 기반 테스트 케이스 생성을 위한 Chain-of-Thought 와 Chain-of-Verification Prompting
http://doi.org/10.5626/JOK.2025.52.1.29
소프트웨어 테스팅은 소프트웨어 개발 과정에서 중대하며 비용이 많이 드는 작업으로 자리 잡고 있다. 특히, 자동 테스트 케이스 생성 도구는 수동 생성에 비해 올바른 해결책과 잘못된 해결책을 효과적으로 구분할 수 있는 방법을 제공한다. 최근, 많은 연구자들이 문제 또는 프로그램의 논리적 사양을 기반으로 테스트 케이스를 자동으로 생성할 수 있는 딥러닝 기반 방법을 제시하였다. 본 연구에서 우리는 Chain-of-Thought (CoT) 프롬프팅을 활용하여, 문제 사양에서 '테스트 케이스 문법'을 생성할 수 있도록 ChatGPT와 Google Gemini와 같은 대규모 언어 모델(LLMs)을 학습하는 것을 제안한다. 우리는 'Chain-of-Verification' (CoVe)이라 명명된 일반화된 규칙의 세부 정보를 LLMs에 검증하고 제공하기 위해 CoT를 활용하여 구현한다. 우리는 공개적으로 사용 가능한 데이터셋인 DeepMind CodeContests 데이터셋을 사용하여 우리의 방법론을 평가하였는데, 이 데이터셋은 프로그래밍 학습자들에 의해 제출된 초급부터 고급 수준까지 다양한 프로그래밍 문제와 해당 문제들의 정확성을 검증하기 위한 테스트 케이스로 구성되어 있다.
콜드 스타트 문제 완화를 위한 가중치 기반 다중 도메인 추천 시스템
http://doi.org/10.5626/JOK.2021.48.10.1090
추천 시스템은 사용자의 기록과 항목 선호도를 기반으로 해당 사용자가 선호할 것으로 예측되는 항목을 추천한다. 추천 시스템에는 기존 사용자의 정보를 기반으로 비슷한 성향의 사용자 평점을 예측하는 협업 필터링 방식이 있다. 사용자의 성향을 알기 위해 구매 이력과 같은 정보가 필요한데 이 정보가 없을 때 예측이 어려워지는데 이를 콜드 스타트 문제(cold-start problem)라 한다. 본 논문에서는 특정 도메인에 아무 정보가 없는 초기 사용자를 위해 사용자가 다른 도메인에 남긴 평점 정보를 기반으로 새로운 도메인의 평점 정보를 예측하는 다중 도메인 추천 시스템을 제안한다. 이때, 여러 보조 도메인으로 예측한 평점 정보의 신뢰도를 극대화하기 위해 각 보조 도메인의 가중치를 계산하는 방법을 제안하고 실험을 통해 성능을 검증한다. 그 결과, 전통적인 추천 알고리즘을 다중 도메인에 단순 적용했을 때보다 가중치 기반 추천 알고리즘을 활용했을 때 더 나은 추천 성능을 보이는 것을 확인한다.
