[연구의 필요성]

본 연구는 다중 속성 제어 요약(multi-attribute controllable summarization)의 한계를 해결하기 위한 필요성에서 출발합니다. 기존의 요약 모델들은 길이, 주제, 화자, 구체성 등 다양한 속성을 동시에 만족시키는 데 어려움을 보이며, 특히 속성 간 상호 의존성으로 인해 하나의 속성을 개선하면 다른 속성이 저하되는 문제가 발생하였습니다. 또한 기존 접근 방식은 속성별로 개별적인 파인튜닝을 요구하는 경우가 많아 새로운 속성 조합이나 다양한 사용자 요구에 유연하게 대응하기 어렵습니다. 이러한 한계는 실제 응용 환경에서 요구되는 복합적인 조건을 충족하는 요약 생성에 큰 제약이 되며, 따라서 추가 학습 없이도 여러 속성을 동시에 효과적으로 제어할 수 있는 새로운 방법론의 필요성이 제기되었습니다.

[포스텍이 가진 고유의 기술]

 본 연구에서는 이러한 문제를 해결하기 위해 PACO라는 프레임워크를 제안하였으며, 이는 요약 생성 문제를 순차적 계획(planning) 문제로 재정의합니다. PACO는 Monte Carlo Tree Search(MCTS)를 활용하여 다양한 속성 제어 순서를 탐색하고, 각 단계에서 필요한 속성만 선택적으로 조정함으로써 점진적으로 최적의 요약을 생성합니다. 이 과정에서 각 노드는 하나의 완성된 요약을 의미하며, 각 행동은 특정 속성을 조정하는 것을 의미합니다. 또한 본 방법은 별도의 추가 학습 없이 기존 대형 언어모델을 그대로 활용하는 training-free 방식으로 설계되어 높은 실용성과 확장성을 가집니다. 더불어 속성을 deterministic과 non-deterministic으로 구분하고 이에 맞는 보상 함수를 설계함으로써 보다 정교한 속성 제어를 가능하게 합니다.

[연구의 의미]

기존에는 요약을 단일 단계의 생성 문제로 접근했다면, 본 연구는 이를 순차적 의사결정 문제로 재해석하여 계획 기반 접근을 도입하였습니다. 이를 통해 다중 속성 제어라는 복잡한 문제를 체계적으로 해결할 수 있는 기반을 마련하였습니다. 또한, 소형 모델에서도 대형 모델에 준하는 성능을 달성할 수 있음을 보여주어 효율적인 모델 활용 가능성을 제시하였으며, 다양한 데이터셋과 모델에서 일관된 성능 향상을 보임으로써 방법의 일반화 가능성 또한 입증하였습니다.

[연구결과의 진행 상태 및 향후 계획]

본 연구는 ACL 2026에 채택되어 발표 예정입니다. 

[성과와 관련된 실적]

Sangwon Ryu, Heejin Do, Yunsu Kim, Gary Geunbae Lee, Jungseul Ok, Adaptive Planning for Multi-Attribute Controllable Summarization with Monte Carlo Tree Search, ACL 2026

[성과와 관련된 이미지]