PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2601.17303v2cs.LG

산업 IoT 자율 그리드 보안을 위한 분산형 다중 에이전트 스웜: 합의 기반 접근법

Decentralized Multi-Agent Swarms for Autonomous Grid Security in Industrial IoT: A Consensus-based Approach

산업 인터넷(IoT)(IIoT) 환경이 수만 대의 연결 장치 규모로 확장되면서, 중앙집중형 보안 아키텍처는 지연 병목을 유발하며, 정교한 공격자가 이를 악용해 전체 제조 생태계를 침해할 수 있다. 본 논문은 각 엣지 게이트웨이에 자율 에이전트를 배치하고 IIoT 네트워크를 위한 분산 방어 층을 형성하는 분산형 다중 에이전트 스웜(DMAS) 아키텍처를 제안한다. 정적 방화벽이나 클라우드로 전달되는 원격 측정에 의존하는 대신, DMAS 에이전트는 경량 피어 투 피어 프로토콜을 통해 협조하며 클라우드 의존 없이 로컬에서 위협을 탐지한다. 우리는 에이전트들이 탐지된 위협에 대해 집단적으로 투표하여 침해된 노드의 거의 즉각적인 격리를 가능하게 하는 합의 기반 위협 검증(CVT) 프로토콜을 설명한다. 2000대 장치 하드웨어 테스트베드에서의 실험 결과, DMAS는 밀리초 미만의 응답 시간(평균 0.85ms), 고부하 하에서 97.3%의 탐지 정확도, 제로데이 공격에서 87%의 정확도를 달성했으며, 이는 모두 중앙집중형 및 엣지 컴퓨팅 기준선을 능가한다. 대역폭 소비는 클라우드 기반 솔루션 대비 89% 감소한다.

arXiv:2607.15053v1cs.NI

ANet Patu-1: 에이전트 네트워크에서 연결의 가치

ANet Patu-1: The Value of Connection in the Agent Network

인터넷은 네트워크의 가치가 노드가 어떻게 연결되는지에 달려 있다는 것을 가르쳐 주었다. 브로드캐스트 스타는 $V\!\propto\!N$ (Sarnoff)로, 완전 연결 메시는 $N^2$ (Metcalfe)로, 그룹 형성 네트워크는 $2^{N}$ (Reed)로 스케일링한다. 우리는 AI 에이전트 네트워크에 대해 유사한 질문을 제기한다. 연결의 순 가치를 조율(coordination) 그룹 크기의 함수로 모델링하고, 이로부터 최적 협업 프로토콜이 갖춰야 할 성질을 도출하며, ANet Patu-1을 제안한다. 이는 네트워크가 스스로 연합(coalition)을 지속적으로 재구성하며, 세 가지 체제(regime) 모두의 상한 포락선(upper envelope)에 적응적으로 탑승하여 $O(1)$ 병렬 합의(consensus) 라운드로 동작하는 자기 조직화 합의 프로토콜이다. 의견 등급화(opinion-grading) 없이 가치를 측정하기 위해, 우리는 창발적(emergent) 프로토콜을 형식적으로 명세하고 분산 알고리즘이 분석되는 방식과 같이 그 복잡도를 도출하여 점수를 매긴다. 두 가지 결과가 뒤따른다. (i) 창발(Emergence) — 이질적인(heterogeneous) 가장 저렴한 모델의 군집은 처음에는 약하지만, 그 집합적 가치는 $N$에 따라 복리적으로 증가하여 동질적인(homogeneous) 훨씬 더 강한 모델의 군집을 추월한다. 이는 규모(scale)가 아니라 협업에 대한 스케일링(scaling) 법칙을 표시하는 교차(crossover)이다. (ii) 반사성(Reflexivity) — 이질적인 네트워크는 자신의 문제만 주어지고 설계 힌트가 없을 때 ANet Patu-1 자체로 수렴하여, 자신의 연결 가치를 지배하는 고차원 법칙을 재구성한다.

arXiv:2607.05477v1cs.MA

다중 에이전트 대규모 언어 모델 대화에서의 결정 프로토콜

Decision Protocols in Multi-Agent Large Language Model Conversations

대규모 언어 모델(LLM)의 태스크 성능 향상은 필수적이지만, 이러한 모델의 스케일링은 수확 체감 및 높은 비용과 같은 상당한 과제에 직면해 있다. 다중 에이전트 시스템(MAS)은 전문화된 에이전트들 사이에 태스크를 분산하여 전체적인 태스크 성능을 향상시키는 유망한 해결책을 제시한다. 이를 통해 토론 및 의사결정 과정으로 인한 테스트 시간 증가를 감수하는 대신 학습 비용을 줄일 수 있다. 결정 프로토콜은 여러 에이전트가 최종 솔루션 생성을 위해 협력하는 방식을 규정하기 때문에 MAS의 핵심 구성 요소이다. 본 논문은 Multi-Agent LLM(MALLM) 프레임워크를 소개하며, 이는 대화형 태스크 해결을 위한 다중 에이전트 토론을 시뮬레이션하고자 투표(voting), 합의(consensus), 판사 결정(judge decision) 메커니즘 등 다양한 결정 프로토콜을 구현하고 평가한다. 단일 결정 프로토콜을 사용하거나 제한된 데이터셋에서만 테스트한 기존 연구와 달리, 본 연구는 지식 기반 데이터셋(MMLU, MMLU-Pro, GPQA)과 논리 기반 데이터셋(StrategyQA, MuSR, Math-lvl-5, SQuAD 2.0)에 이르는 다양한 태스크 집합에 대한 영향을 체계적으로 검토한다. 실험 결과, 합의 프로토콜은 지식 집약적 도메인에서 우수한 성능을 보이는 반면, 투표 및 판사 프로토콜은 논리 기반 태스크에 더 효과적임을 보여준다. 독립적인 솔루션 생성을 통한 응답 다양성 증가는 결정 품질을 향상시키는 반면, 결정 과정에서의 정보 접근 방식 변화는 최소한의 영향만 미친다.