[Paper] 비지도 스킬 발견을 위한 Agentic 데이터 분석

Source: arXiv - 2606.06416v1

Overview

추론 시점 스킬 증강은 모델 파라미터를 업데이트하지 않고 재사용 가능한 절차적 지식을 주입함으로써 데이터‑분석 에이전트를 가볍게 개선하는 방법을 제공합니다. 그러나 데이터 분석에 효과적인 스킬을 발견하는 것은 신뢰할 수 있는 감독이 비용이 많이 들고 성공 기준이 분석 형식마다 다르기 때문에 여전히 어려운 과제입니다. 이는 라벨이 없는 탐색만으로 재사용 가능한 데이터‑분석 스킬을 어떻게 발견할 것인가라는 핵심 질문을 제기합니다.

우리는 DataCOPE라는, 데이터‑분석 에이전트를 위한 비지도 검증자‑가이드 스킬 발견 프레임워크를 제안합니다. DataCOPE는 탐색 궤적에서 검증자 신호를 도출하고 이를 사용해 궤적 간 상대적 품질 또는 일치를 특성화합니다. 다음 세 요소를 반복적으로 조정합니다:

• 데이터‑분석 에이전트 – 궤적 생성
• 비지도 검증자 – 신호 추출
• 스킬 매니저 – 대조적 스킬 증류

보고서‑형식 분석의 경우, 검증자를 적응형 체크리스트 검증자로 구현하여 작업‑특정 기준을 도출하고, 검증 가능한 커버리지를 기준으로 보고서를 점수화하며, 체크리스트를 반복적으로 정제합니다. 추론‑형식 분석의 경우, 검증자를 답변 일치 검증자로 구현하여 궤적을 답변 일치에 따라 그룹화하고 자기‑일관성을 보조 신호로 활용합니다.

우리는 DataCOPE를 Deep Data Research의 보고서‑형식 분석과 DABStep의 추론‑형식 분석에 대해 평가했습니다. 두 설정 모두에서 DataCOPE는 베이스라인 대비 지속적으로 성능을 향상시켰습니다. 네 가지 모델 설정을 평균했을 때, DataCOPE는 보고서‑형식 작업에서 평균 점수를 9.71 %, 추론‑형식 작업에서 32.30 % 향상시켰습니다.

Key Contributions

• cs.AI – 인공지능
• cs.CL – 계산 및 언어
• cs.LG – 머신러닝
• cs.MA – 다중 에이전트 시스템

Methodology

자세한 방법론은 전체 논문을 참고하십시오.

Practical Implications

이 연구는 cs.AI 분야의 발전에 기여합니다.

Authors

• Zhisong Qiu
• Kangqi Song
• Shengwei Tang
• Shuofei Qiao
• Lei Liang
• Huajun Chen
• Shumin Deng

Paper Information

• arXiv ID: 2606.06416v1
• Categories: cs.AI, cs.CL, cs.LG, cs.MA
• Published: June 4, 2026
• PDF: Download PDF