i2cat.net

이 이메일 도메인이 관측된 논문 3건

arXiv:2509.26200v2cs.NI

효율적인 LLM 기반 에이전트형 6G 크로스 도메인 관리를 위한 비편향 집합적 메모리를 향하여

Toward an Unbiased Collective Memory for Efficient LLM-Based Agentic 6G Cross-Domain Management

에이전트형 인공지능(Agentic AI)은 6세대(6G) 네트워크에서 레벨 4 자율성을 실현할 수 있는 유력한 기술이지만, 공유 메모리를 기반으로 추론하는 에이전트는 메모리의 왜곡을 그대로 물려받게 됩니다. 본 연구에서는 에너지를 최소화하는 무선 접속망(RAN) 에이전트와 지연 시간을 최소화하는 엣지 에이전트가 협상하고, 디지털 트윈(DT)을 통해 제안을 검증하며, 집합적 메모리를 공유하는 크로스 도메인 RAN-엣지 오케스트레이션을 연구합니다. 이러한 메모리는 샘플링 장치와 같아서, 에이전트가 무엇을 저장하는가가 아니라 무엇을 검색하는가가 이들의 행동을 결정합니다. 본 논문에서는 유도된 검색 분포와 대표 참조 분포 간의 다이버전스로서 시간적, 확증, 가용성 축을 따라 분해되는 검색 바이어스 지수(Retrieval Bias Index)를 정의하고, 가법적 검색 스코어링이 바이어스가 제거되지 않은 분포의 지수 틸트(exponential tilt)임을 보여 실패 증폭 가중치(failure-amplification weight)에 대한 닫힌 형태의 해(closed form)와 저장소 자체의 구성에 의해 결정되는 포화 하한을 도출합니다. 추가적인 결과로 초과 서비스 수준 협약(SLA) 위반이 검색 바이어스와 DT 불일치에 가법적으로 바운딩됨을 보입니다. 확률적 네트워크 미적분학(stochastic network calculus)이 실행 가능 영역, 오라클, 내시 협상(Nash bargaining) 기준점을 제공하는 탠덤 큐에서, 제안하는 연산자는 최신성 기반 저장소 대비 12.7배의 바이어스 감소를 달성하고 6개의 메모리 아키텍처 중 협상 해와 가장 가까운 거리를 달성합니다.

arXiv:2609.01779v1cs.NI

에이전트를 모델링하는 에이전트: 6G 네트워크를 위한 마음 이론(Theory of Mind)의 다섯 가지 원칙

Agents That Model Agents: Five Principles Toward a Theory of Mind for 6G Networks

미래의 6G 네트워크는 무선 접속망(RAN)을 관리하기 위해 대규모 언어 모델(LLM) 에이전트에 의존하게 될 것이다. 그러나 현재의 아키텍처는 에이전트 간 메시지가 객관적 사실을 전달한다고 가정한다. 메시지는 오히려 발신자의 추론이 남긴 \emph{흔적(trace)}이다. 즉 주관적 결론을 담고 있으므로, 구문상 유효한 보고라도 AI 환각(hallucination)을 전파하여 프로토콜 검증으로는 드러나지 않는 연쇄 장애를 일으킬 수 있다. 이러한 흔적을 읽으려면 마음 이론(Theory of Mind, ToM)이 필요하다. 즉 행동하기 전에 수신자는 상대 에이전트가 무엇을 믿고 있는지, 그리고 그 위치의 에이전트라면 무엇을 믿었어야 하는지를 모델링해야 한다. 이러한 상호작용을 셀룰러 쉬프(cellular sheaf) 위의 인지 채널로 모델링하면 회복탄력적인 멀티 에이전트 시스템을 위한 통합 프레임워크를 얻을 수 있으며, 여기서 다섯 가지 설계 원칙이 도출된다. (i) 메시지는 발신자의 숨겨진 추론에 대한 증거이다. (ii) 신뢰는 연속적인 인지 신호 대 잡음비(SNR)이며, 주장된 정밀도를 모델링된 상대 에이전트의 믿음으로부터의 편차로 나눈 값이다. (iii) 네트워크 전체의 일관성과 환각 전염에 대한 저항성은 쉬프의 라플라시안(Laplacian)을 통해 계산할 수 있다. (iv) 상대 모델링은 연산량을 절약하고 상호 정보량 감쇠에서 살아남기 위해 정확히 두 단계에서 멈춰야 한다. (v) 신뢰할 수 있는 용량은 링크 대역폭이 아니라 운영 목표의 정렬(alignment)에 의해 제한된다. 로컬에 배포된 10억 매개변수 규모의 통신 특화 언어 모델을 이용한 시그널링 폭풍(signaling-storm) 연구가 이를 검증한다. 인지 SNR은 이웃 네 개 중 세 개가 동의하는 환각 상대 에이전트를 분리해 내는 반면, 발산 게이트(divergence gate)는 틀린 모든 상대 에이전트의 순위를 올바른 상대보다 높게 매긴다. 깊이 2의 ToM만이 올바른 행동을 복원하며, 스펙트럼 갭(spectral gap)은 토폴로지가 준실시간(near-real-time) 예산 내에 일관성에 도달하는지를 결정한다.

arXiv:2606.18272v1cs.NI

에너지 효율적인 6G 자율 네트워크를 위한 LLM 기반 에이전트의 앵커링 바이어스 완화

Mitigating Anchoring Bias in LLM-Based Agents for Energy-Efficient 6G Autonomous Networks

6G 제로 터치 네트워크 슬라이싱을 위한 LLM 에이전트 리소스 협상에서 초기 휴리스틱 제안에 고착되는 앵커링 바이어스(anchoring bias)로 과잉 프로비저닝이 발생하는 문제를, 절단 3-매개변수 Weibull 분포 기반 무작위 앵커링과 CVaR(Conditional Value at Risk)을 쓰는 버스트 인식 디지털 트윈(DT)으로 완화하는 프레임워크를 제안한다. 경량 1B 모델(otel-llm-1b-it) 실험에서 SLA 꼬리 지연을 유지하며 시스템 에너지를 최대 25% 절감하고, 평균 0.95초 추론으로 O-RAN non-RT RIC 운영 시간 척도와 호환됨을 확인했다.