mainLab. 연구실 (지도교수: 김재광) 논문이 최우수 국제학술대회 The 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)에 1편 게재 승인되었습니다. 논문은 26년 10월 헝가리 부다페스트에서 발표될 예정입니다.

"PRO-Step: Step-level Process Reward Optimization for Retrieval-Augmented Generation" 논문은 mainLab. 김민건(인공지능융합학과/소셜이노베이션융합전공 석사과정)이 주저자, 이남준(인공지능융합학과/소셜이노베이션융합전공 석사과정)이 공저자로 참여하였고, 김재광 교수가 교신저자로 참여하였습니다.

이 논문은 Retrieval-Augmented Generation(RAG)가 외부 문서를 이용하여 환각을 줄이지만, 멀티홉/다단계 추론에서는 초반 검색/질문 재작성 실수가 뒤 단계로 오류 전파를 일으키는 점에 주목하였습니다. 즉, 기존의 결과(최종 정답) 기반 보상은 중간 단계의 잘못된 검색·추론을 제대로 검증하지 못하고, “우연히 맞춘 정답”에도 보상을 주는 문제가 있습니다. 이 논문에서 제안한 PRO-Step은 단계별(Process) 보상 최적화를 위해, 각 단계가 (1) 논리적으로 타당한지와 (2) 검색 문서에 근거(grounding) 되었는지를 함께 평가하는 생성형 PRM(Process Reward Model)을 학습합니다. 이어서 PRM이 안내하는 탐색으로 “좋은 단계 vs 나쁜 단계” 선호쌍을 만들고, 이를 step-level DPO로 정책 모델에 학습시켜 중간 오류를 직접 교정합니다. 제안 방법의 우수성을 검증하기 위하여 PopQA(싱글홉)와 HotpotQA/ 2WikiMultiHopQA/Bamboogle/MuSiQue(멀티홉) 등 5개 벤치마크에서 평균 EM/F1이 가장 높음을 보였고, 추가 실험들을 통해 중간 단계 품질이 우수함을 보였습니다.

mainLab. 연구실 (지도교수: 김재광) 논문이 최우수 국제학술대회 35th ACM International Conference on Information and Knowledge Management (CIKM 2026)에 1편 게재 승인되었습니다. 논문은 26년 11월 이탈리아 로마에서 발표될 예정입니다.

"SEDRec: Semeantic Entanglement for Generative Diffusion-based SR" 논문은 mainLab. 허병문 (인공지능융합학과 박사과정)이 주저자로 참여하였고, 김재광 교수가 교신저자로 참여하였습니다.

확산(Diffusion) 기반 순차추천(SR)은 노이즈에서 시작해 단계적으로 복원하며 강건성을 얻지만, 기존의 방법들은 아이템 ID/잠재 임베딩 중심이라 텍스트 의미가 약합니다. 그 결과 의미적으로 비슷한 아이템이 희소 피드백에서 멀어지거나, 인기 편향으로 무관한 아이템이 섞이는 문제가 생깁니다. 이 논문에서는 이러한 문제를 해결하기 위해 SEDRec을 제안하였고, 이 방법은 아이템의 제목/설명 텍스트를 Sentence-T5로 임베딩해 의미 테이블로 캐시하고, 추천 생성 과정에 ‘의미 토큰’을 추가해 다음 아이템 토큰과 함께 공동 디노이징을 합니다. 또한 (1) 히스토리 의미 요약으로 디노이징을 가이드하고, (2) 의미→타깃 mixing, (3) 중간 단계 표현에 의미 정렬 정규화를 걸어 디노이징 궤적 전반에 의미 신호가 유지되게 만듭니다. 이 연구는 Amazon 3개 데이터셋(Sports/Beauty/Toys)에서 HR@5/10, NDCG@5/10 기준으로 ADRec 등 강력한 베이스라인을 유의미하게 상회하여 확산형 SR의 약점이던 “의미 주도 생성”을 발전시킨 연구입니다.