MEMENTO: 웹을 학습 신호로 활용하여 데이터 부족 환경에서의 학습

MEMENTO: Leveraging Web as a Learning Signal for Low-Data Domains

실제 업무에서는 대규모의 레이블링된 데이터셋이 종종 부족하며, 이는 데이터가 제한적인 환경에서 학습하는 연구를 활성화하고 있습니다. 그러나 기존의 방법들, 예를 들어 few-shot 프롬프팅, 명령어 튜닝, 그리고 합성 데이터 생성 등은 여전히 레이블링되거나 유사 레이블링된 데이터를 주요 학습 신호로 사용합니다. 반면, 숙련된 전문가들은 지속적인 자기 주도적인 웹 상호 작용을 통해 전문 지식을 습득하며, 동시에 도메인 지식과 검색 전략을 점진적으로 개선합니다. 본 논문에서는 웹을 단순한 정보 검색 인터페이스가 아닌 학습 신호로 활용하는 프레임워크인 MEMENTO를 제안합니다. MEMENTO는 두 가지 수준에서 작동합니다. 첫째, 각 세션 내에서 Adaptive Exploration Tree (AET)를 사용하여 작업을 진화하는 질문으로 분해하고 중간 결과를 반영하며 반복적인 웹 탐색을 수행합니다. 둘째, 세션 간에 dual-channel 메모리를 통해 경험을 축적하여 선언적 지식(사실)과 절차적 지식(검색 전략)을 분리합니다. 이러한 설계는 에이전트가 추가적인 모델 훈련 없이 웹 상호 작용의 경로로부터 재사용 가능한 연구 전략 및 도메인 전문 지식을 학습할 수 있도록 합니다. MEMENTO를 데이터가 부족한 두 가지 전문 분야, 즉 영업 자동화 및 법률 연구에 적용하여 성능을 평가했습니다. 실험 결과, MEMENTO는 ReAct 기반의 기존 방식보다 일관되게 높은 성능 향상을 보였습니다 (영업 자동화에서 +25.6%, 법률 연구에서 +36.5%), 이는 웹이 데이터가 부족한 환경에서 특정 업무에 대한 전문 지식을 획득하는 데 효과적인 학습 자원이 될 수 있음을 보여줍니다.

Real-world tasks often lack large labeled datasets, motivating extensive work on learning in low-data regimes. However, existing approaches such as few-shot prompting, instruction tuning, and synthetic data generation, continue to treat labeled or pseudo-labeled data as the primary learning signal. In contrast, human practitioners acquire expertise through repeated, self-directed interaction with the open web, progressively refining both domain knowledge and search strategies. We propose MEMENTO, a framework that treats the web as a learning signal rather than a stateless retrieval interface. MEMENTO operates at two levels: within each session, it conducts iterative web exploration via an Adaptive Exploration Tree (AET) that decomposes tasks into evolving questions and reflects on intermediate findings; across sessions, it accumulates experience through dual-channel memory, separating declarative knowledge (facts) from procedural knowledge (search strategies). This design enables agents to learn reusable research strategies and domain expertise from trajectories of web interaction without additional model training. We evaluate MEMENTO on two low-data professional domains: sales automation and legal research. Our empirical results show consistent improvements in performance over ReAct based baselines (+25.6% on sales automation and 36.5% on legal research), demonstrating that the web can serve as a scalable learning source for acquiring task-specific expertise in data-scarce settings.