연구진은 제약 조건 하에서 생성 시 발생하는 편향 문제를 해결하기 위해 새로운 제안 방식을 제안했어요. 기존 방식은 제약 조건을 무시하고 토큰을 마스크 처리하여 샘플링 편향과 성능 저하를 야기했어요. 새로운 방식은 텐서화된 유한 오토마타를 활용하여 제약 조건을 효율적으로 처리하고, 순차적 몬테카를로(SMC) 샘플링을 위한 제안 분포를 구축했어요.
연구진은 함수 호출, 키워드 기반 생성, SQL 생성 등 다양한 작업에서 (P-)GCD 제안 방식을 평가하여 기존 방식보다 빠르게 목표 분포에 수렴하고 더 적은 파티클로 샘플링하는 것을 확인했어요. 이는 제약 조건 하에서 더 정확하고 효율적인 생성 결과를 얻을 수 있음을 의미해요.
이 연구는 제약 조건 하에서의 생성 모델 개발에 중요한 기여를 하며, 향후 더 복잡하고 정교한 제약 조건을 만족하는 생성 모델 개발에 활용될 수 있을 것으로 기대돼요.