Extended Inductive Reasoning for Personalized Preference Inference from Behavioral Signals
- Authors: Jia-Nan Li, Jian Guan, Wei Wu, Rui Yan
- Affiliation: Renmin Univ.; Ant Group; Alibaba Group; Wuhan University
- Paper: https://arxiv.org/abs/2505.18071
- Code: https://github.com/AntResearchNLP/AlignX-Family
- Published: EMNLP 2026 (arXiv: May 23, 2025)
TL; DR
ํ๋ ์ ํธ(์ ํธ ์)์์ ์ฌ์ฉ์ ์ ํธ๋ฅผ ์์ฐ์ด ์์ ๋ก ๊ท๋ฉ ์ถ๋ก ํ๋๋ก 7B reasoning model์ cold-start SFT + GRPO๋ก ํ์ตํ๋ฉด, ์ด์ ์์ + ์ ์ ํธ๋ง ๋ฃ๋ streaming ๊ฐฑ์ ๊น์ง ๊ฐ๋ฅํด์ง๊ณ ๊ฐ์ ํฌ๊ธฐ baseline๋ณด๋ค, ์ผ๋ถ ์ค์ ์์๋ golden preference๋ณด๋ค๋ ๋์ judge ์ ํ๋๋ฅผ ๋ธ๋ค. (์ ํธ ์ถ๋ก ์ "์ค๋ช
๊ฐ๋ฅํ ์ํ ๊ฐฑ์ "์ผ๋ก ๋ฐ๊พผ๋ค.)
- ์: ๊ธฐ์กด ๊ฐ์ธํ๋ ํ๋ ์ ํธ๋ฅผ prompt, parameter, latent์ ๊ทธ๋๋ก ๋ฃ๋ direct mapping์ด๋ผ ์ ํธ๊ฐ ๋ถํฌ๋ช ํ๊ณ , ์ ์ ํธ๊ฐ ๋ค์ด์ฌ ๋๋ง๋ค ๋์ด๋๋ ์ ์ฒด history๋ฅผ ๋ค์ ์ฒ๋ฆฌํด์ผ ํจ
- ์ ์: ์ ํธ ์ถ๋ก ์ โ์ ํธ ์งํฉ + ์ด์ ์ ํธ ์์ โ reasoning chain + ์ ์ ํธ ์์ โ๋ก ์ ์ํ๊ณ , teacher ํฉ์ฑ ๋ฐ์ดํฐ cold-start ํ judge ๊ธฐ๋ฐ reward๋ก GRPO ํ์ตํ AlignXplore-7B
- ๋ฐ๊ฒฌ: streaming ์ค์ ์์ ALIGNX-test 71.47%๋ก DeepSeek-R1-671B(70.47%)๋ณด๋ค ๋๊ณ , judge ๊ธฐ๋ฐ reward๊ฐ ์์ฑ ๊ธฐ๋ฐ reward๋ณด๋ค ์์ ์ ์ด๋ฉฐ, ์ฑ๋ฅ ํฅ์์ cold-start๋ณด๋ค RL์์ ๋๋ถ๋ถ ๋์ด



Background
- ๊ฐ์ธํ alignment๋ โ๋ชจ๋์๊ฒ ๊ฐ์ helpfulnessโ๋ฅผ ๋์ด์ ๊ฐ๋ณ ์ ํธ์ ๋ง์ถ๋ ๋ฌธ์ ์ธ๋ฐ,
์ ํธ๋ ๋๋ถ๋ถ ๋ช ์๋์ง ์๊ณ ์ ํ, ๊ฒ์๊ธ, ์ธ๊ตฌํต๊ณ ๊ฐ์ ํฉ์ด์ง ์ ํธ์ ์จ์ด ์์Fig 1- ์ํ, ์ฝ๋ฉ ๊ฐ์ deductive task์ ๋๋น๋๋ inductive reasoning ๋ฌธ์ ๋ก ๋ด
: ์ ํด์ง ๊ท์น ์์ด noisyํ ์ฆ๊ฑฐ์์ ์ผ๋ฐ ๊ท์น์ ๋์ด๋ด์ผ ํจ
- ์ํ, ์ฝ๋ฉ ๊ฐ์ deductive task์ ๋๋น๋๋ inductive reasoning ๋ฌธ์ ๋ก ๋ด
- ๋์์ extended reasoning(๊ธด chain of thought + RL)์ deductive task์์๋ง ์ฃผ๋ก ๊ฒ์ฆ
- Direct mapping ๊ณ์ด ๊ฐ์ธํ: ํ๋ ์ ํธ๋ฅผ ๋ช
์์ ์ ํธ ์์ด ๋ชจ๋ธ์ ๋ฐ๋ก ์ฐ๊ฒฐ
- prompt์ ๋ฃ๊ธฐ: ํ๋ ์์๋ฅผ ๊ทธ๋๋ก context๋ก (Xu et al., 2022, Lee et al., 2024)
- parameter์ ๋ฃ๊ธฐ: ์ฌ์ฉ์๋ณ ํ์ต (Kang et al., 2023, Tan et al., 2024)
- latent์ ๋ฃ๊ธฐ: VPL (Poddar et al., 2024)์ฒ๋ผ ์ฌ์ฉ์ ์ ์ฌ ๋ณ์๋ก reward๋ฅผ ์กฐ๊ฑดํ
- ํ๊ณ: ๋ฌด์์ ์ ํธํ๋ค๊ณ ํ๋จํ๋์ง ๋ณด์ด์ง ์๊ณ , ์ ์ ํธ๊ฐ ์ค๋ฉด ๋์ history ์ ์ฒด๋ฅผ ๋ค์ ๋ฃ์ด์ผ ํจ (scalability ๋ณ๋ชฉ)
- ๋ช
์์ ์ ํธ ์ถ์ถ ๊ณ์ด: history์์ ์ฌ์ฉ์ profile์ด๋ ์ ํธ ์ ์๋ฅผ ๋จผ์ ๋ฝ๊ธฐ
- PBA (Li et al., 2025): ํ๋ ์์๋ฅผ ๋ฏธ๋ฆฌ ์ ํ ์ ํธ ์ฐจ์์ ์ ์๋ก mappingํ ๋ค ์์ฐ์ด๋ก ๋ณํ, (ALIGNX์ prior work)
- LMInductReason (Qiu et al., 2024): LLM์ ๊ฐ์ค ์์ฑ, ์ ์ ๋ฅผ ๋ฐ๋ณตํ๋ ๊ท๋ฉ ์ถ๋ก
- ํ๊ณ: ๋ฏธ๋ฆฌ ์ ํ ์ฐจ์์ ๋ฌถ์ด๊ฑฐ๋(PBA), ์งง์ ์ถ๋ก ์ผ๋ก out-of-domain์ ์ฝํจ
- ํฉ์ด์ง ํ๋ ์ ํธ์์ โ์ค๋ช ๊ฐ๋ฅํ ์ ํธ ์์ โ์ ๊ท๋ฉ์ ์ผ๋ก ๋ง๋ค๊ณ , ์ ์ ํธ๊ฐ ์ค๋ฉด ๊ทธ ์์ ๋ง ๊ฐฑ์ ํ๋ ํ์ต๋ ์ถ๋ก ๊ธฐ๊ฐ ์๋๋ผโฆ
Problem States
- ์ ํธ ์ถ๋ก ์ ์ถ๋ ฅ์ด ๋ค์ด์คํธ๋ฆผ ๋ชจ๋ธ๊ณผ ๋ฌด๊ดํ๊ฒ ์ฌ์ฌ์ฉ ๊ฐ๋ฅํ ์์ฐ์ด ์์ ์ด์ด์ผ ํจ
- ์ ์ ํธ๊ฐ ์ฌ ๋ ์ ์ฒด history ์์ด ์ด์ ์์ + ์ ์ ํธ๋ง์ผ๋ก ๊ฐฑ์ ํ ์ ์์ด์ผ ํจ
- ์ ๋ต ์ ํธ ์์ ์ด ์์ผ๋ฏ๋ก, ์์ ์ ์ง์ โ๊ทธ ์์ ๋ก ๋ค์ด์คํธ๋ฆผ ๋ชจ๋ธ์ด ์ฌ์ฉ์์ ์ค์ ์ ํ์ ๋งํ๋๊ฐโ๋ก ๊ฐ์ ์ธก์ ํด์ผ ํจ
- [์ ์] streaming ์ ํธ ์ถ๋ก ๊ณผ์ ์ ๊ธฐ๋ฅ์ ํ๊ฐ(reward) ์ค๊ณ
- [ํ์ต 1] teacher ํฉ์ฑ ๋ฐ์ดํฐ๋ก cold-start SFT
- [ํ์ต 2] ๋ ๋ผ์ด๋ rollout์ ์์ GRPO
Suggestions
[์ ์] Streaming Preference Inference์ ๊ธฐ๋ฅ์ reward
-
๊ณผ์ : ํ๋ ์ ํธ $\mathcal{E}=\lbrace e_1,\dots,e_T\rbrace$์ ์ด์ ์ ํธ ์์ฝ $\hat{d}$๋ฅผ ๋ฐ์ reasoning chain $r$๊ณผ ์ ์ ํธ ์์ $d$๋ฅผ ์์ฑ
\[(r, d) = \mathcal{M}(\mathcal{E}, \hat{d})\]- ์ฒซ ์ถ๋ก ์์๋ $\hat{d}$๊ฐ ๋น์ด ์๊ณ , ์ดํ์๋ ์ง์ ์์ ์ด ๊ทธ๋๋ก ๋ค์ด๊ฐ โ ์์ ์์ฒด๊ฐ โ์์ถ๋ ์ํโ
- ์ฃผ ์คํ์ ์ ํธ๋ ๋น๊ต ํ๋จ(์ง๋ฌธ + ์ ํธ ์๋ต / ๋น์ ํธ ์๋ต), UGC(๋ฆฌ๋ทฐ, ๊ฒ์๊ธ)๋ ๊ฐ๋ฅ (ยง4.3)
-
ํ๊ฐ์ reward: held-out ์ ํธ ์ $(x, y_w, y_l)$์์ $d$๋ฅผ ์กฐ๊ฑด์ผ๋ก ์ค ๋ค์ด์คํธ๋ฆผ ๋ชจ๋ธ์ด ์ฌ์ฉ์ ์ ํ์ ๋งํ๋๊ฐ
- R_jud: ์ ํธ ํ์ ๋ชจ๋ธ $S_{jud}$๊ฐ $d$๋ฅผ ๋ณด๊ณ $y_w$๋ฅผ ๋ ๋๊ฒ ํ์ ํ๋ฉด 1 (ร format ๊ฒ์ฌ)
- R_gen: ์์ฑ ๋ชจ๋ธ $S_{gen}$์์ $d$๋ฅผ ๋ถ์์ ๋ $y_w$์ log-prob ์ด๋์ด $y_l$๋ณด๋ค ํฌ๋ฉด 1
- ์ถ๋ก ๋ชจ๋ธ์ held-out ์์ ๋ณด์ง ๋ชปํ๊ณ , ๋ ์๋ต ์์๋ ๋ฌด์์ โ ํน์ query์ ๋ง์ถฐ $d$๋ฅผ ๊พธ๋ฏธ๊ฑฐ๋ ์์น ํธํฅ์ ์ฐ๋ shortcut์ ๋ง๋๋ค๋ ์ฃผ์ฅ
- ํ์ต, ํ๊ฐ ๋ชจ๋ R_jud ์์ฃผ (model: frozen Qwen2.5-7B-Instruct)
[ํ์ต 1] Cold-start SFT Fig 2
- ๊ฐ ์ ํธ์์ ๋จผ์ ํต์ฌ ์ ํธ ์ฐจ์ $\phi$(์ฐ๋ น๋, ์ฑ๋ณ, ํฌ์ ์ฑํฅโฆ)๋ฅผ ๋ฝ๊ณ , teacher(QwQ-32B)์ $\phi$์ ์ ํธ๋ฅผ ํจ๊ป ์ค์ reasoning chain + ์ ํธ ์์ ์ G๊ฐ ์์ฑ
- streaming ๋๋น: ๊ฐ์ ์ฌ์ฉ์์ ์ ์ ํธ 4๊ฐ + ์ฒซ ๋ผ์ด๋ ์ถ๋ ฅ ์ค ๋ฌด์์๋ก ๊ณ ๋ฅธ $\hat{d}$(๋ง๋ ๊ฒ, ํ๋ฆฐ ๊ฒ ๋ชจ๋ ๊ฐ๋ฅ)๋ก 2๋ผ์ด๋ ๋ฐ์ดํฐ๋ฅผ ๋ง๋ฆ
- reward = 1์ธ ์ํ๋ง ๋จ๊ฒจ SFT (7,000๊ฐ ์ค 1๋ผ์ด๋ 3,980๊ฐ, 2๋ผ์ด๋ 5,278๊ฐ ์ฑํ)
[ํ์ต 2] Two-round GRPO
- GRPO, KL penalty ์ ๊ฑฐ, G = 4 rollouts
- ์ฌ์ฉ์๋ง๋ค (1) $\hat{d}$ ์์ด G๊ฐ ์์ฑ, (2) ๋ค๋ฅธ ์ ํธ ์งํฉ $\mathcal{E}โ$ + 1๋ผ์ด๋ ์ถ๋ ฅ์์ ๋ฝ์ $\hat{d}$๋ก G๊ฐ ์์ฑ โ ๋ ๋ผ์ด๋ 2G๊ฐ๋ฅผ ํฉ์ณ ์ต์ ํ
-
advantage๋ ๋ผ์ด๋๋ณ๋ก ๋ฐ๋ก ์ ๊ทํ
\[A_i = \frac{R_i - \text{mean}(\lbrace R_j \rbrace_{j=1}^{G})}{\text{std}(\lbrace R_j \rbrace_{j=1}^{G})}\] - ํ์ต์ 2๋ผ์ด๋๊น์ง๋ง, ํ๊ฐ์์ 4๋ผ์ด๋๊น์ง ํ์ฅ (App A.5)
Effects
- Experimental setup
- data: ALIGNX (Li et al., 2025)์์ ์ฌ๊ตฌ์ฑํ 10,000๊ฐ(ํ์ต 7,000 / ํ
์คํธ 3,000), ์ฌ์ฉ์ ๋จ์ ๋ถ๋ฆฌ
- ๊ฐ target ์๋ง๋ค ์ต์ 5๊ฐ ์ ํธ ์ฐจ์์์ history ์ ์ฒด๊ฐ ์ผ๊ด๋ ๋ฐฉํฅ์ ๊ฐ๋๋ก ํํฐ๋ง
- ALIGNX-test: 90๊ฐ ์ ํธ ์ฐจ์, 3,000๊ฐ / out-of-domain P-SOUPS (Jang et al., 2023): expertise, informativeness, style ๊ฐ 600๊ฐ
- model: DeepSeek-R1-Distill-Qwen-7B backbone (๋ถ๋ก์์ Qwen3-8B)
- setting: Base(์ ํธ 4๊ฐ ๋๋ 8๊ฐ ํ ๋ฒ์) vs Streaming(4๊ฐ๋ก $\hat{d}$ ๋ง๋ ๋ค ์ 4๊ฐ + $\hat{d}$)
- baselines: Null, ์ ์ ํธ ๊ทธ๋๋ก(E), Golden Preference / LMInductReason, VPL, EXPO, PBA / Qwen2.5-7B, DS-R1-Distill-7B, Qwen3-32B, QwQ-32B, GPT-4, DeepSeek-R1-671B๊ฐ ์์ฑํ ์์
- evaluation: ACC_jud, ACC_gen, GPT-4 win rate(400๊ฑด), ์ฌ๋ ํ๊ฐ(300๊ฑด, 4๋ช )
- data: ALIGNX (Li et al., 2025)์์ ์ฌ๊ตฌ์ฑํ 10,000๊ฐ(ํ์ต 7,000 / ํ
์คํธ 3,000), ์ฌ์ฉ์ ๋จ์ ๋ถ๋ฆฌ
- Results
- ์ ํธ ์ถ๋ก ์์ฒด๊ฐ ํ์ํ๊ณ , ๊ธด ์ถ๋ก ์ด ์ ๋ฆฌํจ
Tab 1- ์ ์ ํธ๋ฅผ ๊ทธ๋๋ก ๋ฃ๋ E(50.33%)๋ Null(51.37%)๊ณผ ์ฐจ์ด ์์ โ ์ ํธ๋ฅผ โ์ฝ๊ธฐโ๋ง์ผ๋ก๋ ์ ๋๊ณ
์ถ๋ก์ด ํ์ - ๊ฐ์ ๊ณ์ด์์ thinking์ด non-thinking๋ณด๋ค ๋์: Qwen3-32B 65.03 vs 57.60, DeepSeek-R1 70.47 vs GPT-4 66.10
- VPL, EXPO ๊ฐ์ latent ๊ณ์ด๊ณผ LMInductReason์ 50% ๊ทผ์ฒ, PBA๋ in-domain 62.77์ด์ง๋ง P-SOUPS Style 31.33์ผ๋ก ์ผ๋ฐํ ์คํจ
- ์ ์ ํธ๋ฅผ ๊ทธ๋๋ก ๋ฃ๋ E(50.33%)๋ Null(51.37%)๊ณผ ์ฐจ์ด ์์ โ ์ ํธ๋ฅผ โ์ฝ๊ธฐโ๋ง์ผ๋ก๋ ์ ๋๊ณ
- AlignXplore-7B๋ streaming์์ ๊ฐ์ฅ ๊ฐํจ
Tab 1- Base(4๊ฐ) 65.33 โ Streaming 71.47, ์ ํธ 8๊ฐ๋ฅผ ํ ๋ฒ์ ๋ฃ์ Base๋ณด๋ค ๋์
- backbone์ ์ ํธ๋ฅผ ๋๋ฆฌ๊ฑฐ๋ streaming์ผ๋ก ์ค๋ ๊ฑฐ์ ์ด๋ ์์
- ALIGNX-test์์ Golden Preference๋ณด๋ค๋ ๋์
- ์ ์๋ golden์ ์ํ์ด ์๋ ์๋ฏธ์ ์ฐธ์กฐ๋ก ๋ด์ผ ํ๋ค๊ณ ํด์
- ๊ธฐ๋ฅ์ ์งํ๋ ํ์ ๋ชจ๋ธ์ด ์ฐ๊ธฐ ์ฌ์ด ์์ ์ ๋๊ฒ ์นจ
- ๋จ๊ณ ablation: w/o RL 61.80, w/o Cold-start 62.80 โ RL ์ชฝ ๊ธฐ์ฌ๊ฐ ํผ
- Online, ์ฌ๋ ํ๊ฐ๋ ๊ฐ์ ๋ฐฉํฅ
Tab 2- GPT-4 win rate: AlignXplore vs Qwen2.5-7B 63.00%(ALIGNX), 57.67%(P-SOUPS)
- ์ฌ๋ ํ๊ฐ overall 7.93 vs 7.11 (DS-R1-Distill streaming ๋๋น)
- specificity ์ฐจ์ด๋ง ์ ์ํ์ง ์์
- ์
๋ ฅ ํ์, ๋ค์ด์คํธ๋ฆผ ๋ชจ๋ธ์ด ๋ฐ๋์ด๋ ์ ์ง๋์ง๋ง ๊ฒฉ์ฐจ๋ ์ค์ด๋ฆ
Tab 3- ์ ํธ ์ ๋์ UGC๋ก ์ถ๋ก : 61.97%, DeepSeek-R1-671B์ ๋๋ฅ
- ํ์ ๋ชจ๋ธ์ QwQ-32B, DeepSeek-R1์ผ๋ก ๋ฐ๊ฟ๋ 68.53, 67.59๋ก 7B baseline๋ณด๋ค ๋์
- ์ ํธ ์์ ์ ๋ถ ๋ค์ง์ด๋ ALIGNX 62.13(โ3.2)๋ก ๋น๊ต์ ์ ์ง
- ๋ฐ์ดํฐ์ ํธํฅ์ ์ธ์ด ๊ฒ ์๋๋ผ๋ ๊ทผ๊ฑฐ๋ก ์ ์
- ์ ํธ ๋ณํ์ ์ ํธ ์
Fig 3,Tab 6- 8๊ฐ ์ ํธ ์ค ์์ชฝ๋ถํฐ 0~3๊ฐ๋ฅผ ๋ค์ง์ผ๋ฉด Base๋ 64.3 โ 50.67๋ก ๋ฌด๋์ง๊ณ , Streaming์ 71.47 โ 56.73์ผ๋ก ๊ฐ์ ์กฐ๊ฑด์์ ํญ์ ๋ ๋์
- ์ฒซ ์๋ง ๋ค์ง๊ณ ๋๋จธ์ง์ test ์์ ์ต์ข ์ ํธ์ ๋ง์ถ ๊ฒฝ์ฐ: Base(8๊ฐ) 58.17 vs Streaming 66.60
- ์ ํธ 1๊ฐ๋ง์ผ๋ก๋ 61.23%(backbone 55.83%), backbone์ 4๊ฐ ์ดํ ์คํ๋ ค ๋จ์ด์ง
- Streaming์ ํจ์จ์ ์ด๊ณ ๋ผ์ด๋๊ฐ ๋์ด๋ ๊ฒฌ๋ค
Fig 6- 4๋ผ์ด๋(์ ํธ 16๊ฐ)์์ Base๋ latency 396ms, ์ ํ๋ ๊ธ๋ฝ, Streaming์ 157ms, 72.30% ์ ์ง
- ํ์ต์ 2๋ผ์ด๋๊น์ง๋ง ํ๋๋ฐ๋ 4๋ผ์ด๋๊น์ง ์ฑ๋ฅ์ด ์ ์ง๋จ
- (Finding 2) judge ๊ธฐ๋ฐ reward๊ฐ ์์ฑ ๊ธฐ๋ฐ๋ณด๋ค ๋ซ๋ค
Tab 4- R_jud๋ก ํ์ตํ ๋ชจ๋ธ์ด ACC_gen๊น์ง ํฌํจํด ๋๋ถ๋ถ ์งํ์์ ์ฐ์ธ, RL ๊ณก์ ๋ ๋ ์์ ์ (๋ถ๋ก A.6)
- ์ ์ ํด์: ์๋ต log-prob์๋ ์ ์ฐฝ์ฑ, ๊ธธ์ด ๊ฐ์ ๊ต๋ ์์ธ๊ณผ offline ์๋ต noise๊ฐ ์์ฌ ์์
- (Finding 1) ํ์ต ๋จ๊ณ์ ๋ฐ๋ผ ์์ ์ด ์ผ๋ฐ๋ก โ ์ฐจ์ ๋์ด โ ์คํ ๊ฐ๋ฅํ ์ง์นจ์ผ๋ก ๋ฐ๋
Fig 4- backbone์ โhistoricalโ, โsituationโ ๊ฐ์ ์ผ๋ฐ์ด, cold-start ํ โcommunication styleโ ๊ฐ์ ์ฐจ์์ด ๋ฑ์ฅ
- ๋ ๋จ๊ณ๋ฅผ ํฉ์น๋ฉด โavoidโ, โprioritizeโ ๊ฐ์ ํ๋ ์ง์นจํ ํํ์ด ๋์ด๋จ
- ์ ์๋ ์ด๋ฅผ ์ฌ๋์ ๊ท๋ฉ ์ถ๋ก ๊ณผ์ (๊ธฐ๋ณธ ํน์ง ํ์ โ ์คํ ๊ฐ๋ฅํ ๊ฐ์ค)๊ณผ ๋ฎ์๋ค๊ณ ํด์
- backbone์ โhistoricalโ, โsituationโ ๊ฐ์ ์ผ๋ฐ์ด, cold-start ํ โcommunication styleโ ๊ฐ์ ์ฐจ์์ด ๋ฑ์ฅ
- cold-start ๋ฐ์ดํฐ ํ์ง์ ๋๊ฐ (App A.10)
- ์ฝํ teacher(DS-R1-Distill-7B)๋ก ๋ง๋ ์ ํ์ง ๋ฐ์ดํฐ๋ก cold-startํ๋ฉด RL ์ ์๋ backbone๋ณด๋ค ๋ฎ์ง๋ง(56.87), RL ํ ํ๋ณต๋๋๋ผ
- ์ ํธ ์ถ๋ก ์์ฒด๊ฐ ํ์ํ๊ณ , ๊ธด ์ถ๋ก ์ด ์ ๋ฆฌํจ
Personal note. ์ ํธ๋ฅผ ์์ฐ์ด ์์ ๋ก ๋ฝ๊ณ , ์ ์ธ์ ์์๋ ์ด์ ์์ + ์ ์ ํธ๋ง์ผ๋ก ๋ค์ ์ด๋ค๋ ๊ตฌ์กฐ๊ฐ PRefine๊ณผ ๊ฑฐ์ ๊ฐ์ ๋ฐฉ์์ผ๋ก ์ ๊ทผํ๋๋ฐ, ๋ค๋ง ์ฌ๊ธฐ์๋ RLํ์ตํด์ ์๋ก ์ด๋ค๋ ๊ฒ ์ฐจ์ด๊ฐ ์๊ธด ํฉ๋๋ค. ์ด ๊ณผ์ ์์ ์ ๊ฐ์ธ์ ์ผ๋ก ๋๋ผ๊ธฐ์๋ ๊ฒ์ฆ ๋จ๊ณ์ ์ ๋ฌด ์ ๋์ ๋ฐฉ์ด์ ์์ ์ ๊ฐ๋ฅํ ๊ฒ ๊ฐ์๋ฐ,,
๋ณ๊ฑด์ด์ง๋ง ๊ฐ์ ํํ์ AlignXplore+ ๋ผ๋ ๋์ ์์ ํ์ดํผ๋ main accept๋ ๊ฒ ๊ฐ์์ ๊ฐ์ด ํ์ธํด๋ณด๊ณ ์ ํฉ๋๋ค.