PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2501.07440v3q-bio.NC

필요할 때의 어텐션

Attention when you need

주의를 기울이는 것은 수행 능력을 향상시키지만 어텐션(attention)은 대사적으로 비용이 크다. 그렇다면 자원 효율적인 에이전트는 어텐션을 어떻게 할당해야 할까? 우리는 어텐션에 비용이 수반되는 신호 탐지 과제에 대한 규범적 모델을 사용하여 최적의 할당 전략을 연구한다. 이 모델은 최적의 어텐션이 과제 조건에 따라 두 가지 패턴 중 하나로 시간적으로 구조화됨을 보여준다. 어텐션 비용이 강한 집중에 불이익을 줄 때는 최적의 어텐션이 신호에 대한 증거가 누적됨에 따라 점진적으로 증가(ramping)하지만, 어텐션 비용이 그보다 덜 제한적일 때는 최적의 어텐션이 리듬감 있게 변동(rhythmic)한다. 리듬형 어텐션이 나타나는 경우, 할당 빈도는 성공적인 탐지에 대한 보상의 크기, 신호의 짧음, 신호 빈도와 같은 과제 파라미터에 따라 증가한다. 우리는 리듬형 어텐션이, 믿음 갱신이 새로운 감각 관측의 가능도보다 안정적인 시간적 사전(prior)에 의해 지배되는 에이전트에서 자연스럽게 나타난다고 주장한다. 우리의 결과는 리듬형 어텐션과 점증형 어텐션 중 어느 것이 최적인지를 결정짓는 조건들을 규명하며, 지속적 어텐션 과제에서 관찰되는 어텐션 변동에 대한 규범적 설명을 제공한다.

arXiv:2609.22408v1cs.AI

AI 집단에서의 사회적 영향력과 과학적 관심의 배분

Social Influence and the Allocation of Scientific Attention in AI Populations

인공지능(AI) 시스템은 과학 연구의 평가와 활용에 직접 참여하는 주체로 자리 잡아가고 있다. 이들 시스템은 인간 독자를 중심으로 설계된 인용 수, 다운로드 통계, 인기 논문 목록 등의 신호를 마주하게 되지만, 이러한 신호가 인공 독자들에게 미치는 집합적 결과는 여전히 불확실하다. 본 논문은 Music Lab 실험 설계를 학술적 관심 시장에 맞게 적용한다. 첫 번째 실험에서는 1,000개의 AI 에이전트(agent)가 2025년 American Economic Review에 게재된 정규 연구 논문 114편 전체의 제목과 초록을 바탕으로 논문을 선택한다. 실험은 독립적 선택 커뮤니티 5개와 사회적 영향력 커뮤니티 5개로 구성되며, 각 커뮤니티에는 순차적으로 참여하는 100개의 에이전트가 배정된다. 사회적 영향력 조건에 속한 에이전트만이 자신의 커뮤니티 내 이전 선택 기록을 관찰할 수 있다. 에이전트는 논문을 원하는 수만큼 선택할 수 있다. 사회적 정보가 주어진 커뮤니티는 에이전트당 선택한 논문 수가 17.2% 적었고, 선택을 더 집중시켰으며, 독립적 조건에서 총 90편을 다룬 데 비해 집합적으로 73편만을 다루었다. 또한 사회적 정보가 있을 때 커뮤니티 간 편차가 더 크게 나타났다. 20개 사회적 커뮤니티에 걸쳐 200개의 에이전트를 대상으로 한 두 번째 실험에서는, 논문에 초기 5회의 선택을 무작위로 할당했을 때 후속 선택 비율이 45.55%포인트(95% CI: 41.20~49.90) 증가했다. 에이전트들의 선택은 외부 인용 수와는 미미한 일치도를 보였으며, 다운로드 수와는 거의 일치하지 않았다. 이러한 결과는 단순한 정보 규칙이 인공 집단 내에서 과학적 관심의 양, 범위, 그리고 분포를 어떻게 형성하는지 보여준다.