연구자들은 대규모 언어 모델 에이전트가 예측 분석을 위해 역사적 유추를 효과적으로 검색하고 통합할 수 있는지 테스트하도록 설계된 새로운 작업 및 벤치마크(ADR-bench)인 Analogical Deep Research(ADR)를 소개합니다. 이 연구는 현재 에이전트가 표면적 특징이 아닌 근본적인 인과 메커니즘에 일치하기 때문에 어려움을 겪는다는 것을 확인했습니다.
이를 해결하기 위해 저자들은 구조적 분해와 피드백을 사용하여 유추 간 메커니즘을 정렬하는 에이전트 프레임워크인 Causal Analogical Researcher(CANA)를 제안합니다. CANA는 역사적 유추 생성에서 최대 10%의 개선을 달성하며 ADR-bench에서 최첨단 심층 연구 에이전트를 능가합니다.
진행 중인 사건을 포함한 사례 연구는 CANA가 정확한 예측 분석을 위해 역사적 유추를 활용하는 효과를 확인했습니다.