A Human-guided AI approach for Symbolic Cumulant Calculation

Motivation

• Known: Cumulant은 확률론과 통계학에서 핵심적인 개념이며, moment generating function의 로그 미분으로 정의된다. 저차 cumulant의 경우 SEF를 유도하는 것은 어렵지 않으나, 고차 및 다변량의 경우 Terry Speed의 Speed formula(1983)가 존재하지만 partition의 수가 Bell number로 급격히 증가하여 직접 계산이 비효율적이다.
• Gap: 기존 Speed formula를 직접 사용하면 prod(π1)=prod(π2)인 중복 항이 많아 계산이 비효율적이며, LLM을 단순히 BruteForce 방식으로 활용(수식을 그대로 입력)해도 계산 속도가 느리고 최적화되지 않은 결과를 낳는다는 근본적 갭이 존재한다.
• Why: 고차 다변량 cumulant의 명시적 symbolic formula는 Edgeworth expansion, moderate deviation bound 유도 등 다양한 이론적·실용적 통계학 응용에서 필수적이지만 수작업으로는 매우 어렵기 때문에, 이를 자동화하고 최적화하는 방법은 통계학과 AI-assisted 수학 연구 모두에 중요한 기여가 된다.
• Approach: 그래프 이론과 조합론을 활용해 새로운 Speed-type 공식(FLAG 기반)을 이론적으로 유도한 뒤, 문제를 여러 개의 작은 단계로 나누어 신중하게 작성된 프롬프트로 AI(GPT 등 LLM)와 여러 라운드에 걸쳐 소통하며 각 단계를 해결하고, 최종적으로 AI가 python code를 작성·실행하여 SEF를 산출하는 human-guided AI(hugAI) 프레임워크를 제시한다.

Achievement

Figure 2. Running times of ChatGPT, Gemini, and DeepSeek

1. 새로운 Speed-type 공식(Theorem 2.1): fully labeled admissible graph(FLAG) 개념을 도입하여, 동형사상(isomorphism)에 따라 그래프를 분류하고 redundancy를 고려함으로써 중복 없이 가장 단순화된 형태의 cumulant SEF를 유도하였다.
2. hugAI 알고리즘 구현: 3단계 프롬프트(고정 노드 집합에 대한 FLAG 생성, 모든 분할해에 대한 열거, SEF 집계)로 구성된 Algorithm 1을 통해 임의의 p, d, 인덱스 조합에 대해 자동으로 SEF를 계산할 수 있음을 보였다.
3. 계산 속도 개선: trivariate cumulant 계산에서 BruteForce 대비 hugAI가 최대 30배 이상 빠른 실행 시간을 달성함을 Table 1을 통해 실증하였다(예: [4,4,4]에서 89.2초 대비 2.87초).
4. Edgeworth expansion 응용: 다변량 Edgeworth expansion의 계수 다항식 Qj*(z)를 Hermite polynomial과 cumulant SEF로 명시적으로 표현하는 Algorithm 2를 개발하고, 2차원 예시를 통해 구체적 계수식을 도출하였다.
5. 다중 LLM 비교: GPT뿐 아니라 Gemini, DeepSeek 등 여러 LLM에 동일 프롬프트를 적용하여 생성된 코드의 실행 시간을 비교 분석하였다.

How

• 중복 인덱스를 갖는 d개의 인덱스로부터 q개의 distinct 인덱스와 multiplicity w1,...,wq를 추출하고, 각 wℓ을 여러 부분으로 분할(split)한다.
• 각 분할에 대해 색상(color)과 라벨(label)을 가진 노드를 구성하고, 노드들을 서로 다른 색상의 노드만 포함하는 그룹으로 나눠 완전 연결 컴포넌트로 이루어진 그래프(FLAG)를 생성한다.
• 노드 순열(eligible permutation)에 의한 동형(isomorphic) FLAG를 판별하여 분기 크기(k)별로 대표 그래프 Gq,k,t를 선정하고 집합 F를 구성한다.
• 각 대표 그래프에 대해 계수 aq,k,t와 redundancy r(Gq,k,t), 그리고 prod(Gq,k,t)를 계산하여 식 (2.4)에 대입, 최종 SEF를 산출한다.
• 이 전체 과정을 3개의 프롬프트(FLAG 생성 → 분할 해 열거 → SEF 집계)로 나누어 AI와 반복적으로 소통(hugAI)하고, 최종적으로 AI가 python code를 작성해 실행한다.
• Edgeworth expansion 응용에서는 Qj*(z)를 cumulant와 Hermite polynomial로 표현한 뒤, cumulant를 SEF로 치환하고 전개·병합하여 moment 기반의 최종 계수를 얻는다.

Originality

• 기존의 Speed formula를 partition 기반 조합론적 표현이 아닌 그래프 이론적 관점(FLAG, 동형사상 분류)으로 재구성하여 자동으로 최적화된(중복 없는) symbolic formula를 유도하는 새로운 이론적 프레임워크를 제시한 점이 독창적이다.
• 단순히 LLM에 문제를 그대로 던지는 BruteForce AI 방식이 아니라, 문제를 세분화한 다단계 프롬프트 설계와 인간의 이론적 가이드를 결합한 human-guided AI(hugAI) 패러다임을 symbolic mathematics 문제에 적용한 것이 새롭다.
• 이론적 결과(cumulant SEF)를 Edgeworth expansion이라는 구체적 통계학 응용에 직접 연결하여 실용적 가치를 입증했다.

Limitation & Further Study

• 논문이 워크숍 발췌본으로 제시되어 있어 이론적 증명(Theorem 2.1)의 상세 내용과 알고리즘의 수학적 정당성에 대한 충분한 설명이 생략되어 있다.
• BruteForce와의 비교가 trivariate 사례([w1,w2,w3] 조합)에 국한되어 있어, 더 높은 차원(p)이나 더 높은 차수(d)에서의 확장성에 대한 검증이 부족하다.
• 여러 LLM(GPT, Gemini, DeepSeek) 비교 결과가 구체적으로 어떤 차이를 보이는지, 정확도 측면에서의 실패 사례나 프롬프트 민감도에 대한 논의가 본문 발췌에는 부재하다.
• 향후에는 더 높은 차원/차수에서의 계산 복잡도 분석, 다양한 LLM에 대한 강건성(robustness) 평가, 그리고 다른 통계적 응용(예: moderate deviation bound)으로의 확장이 필요하다.

Evaluation

총평: 그래프 이론에 기반한 새로운 Speed-type 공식과 human-guided AI 프레임워크의 결합은 symbolic mathematics 자동화에 있어 참신하고 실용적인 기여이며, 특히 Edgeworth expansion 응용을 통해 실질적 가치를 보였으나 워크숍 발췌본 특성상 이론적 세부사항과 확장성 검증이 더 필요해 보인다.