PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15788v1cs.AI

Agent Sociodrama: LLM 에이전트 팀을 위한 사회적 동역학 기반 페르소나 재구성

Agent Sociodrama: Social-Dynamics-Guided Persona Recasting for LLM Agent Teams

대규모 언어 모델(LLM) 에이전트는 팀 단위로 배치되는 경우가 늘고 있지만, 특유의 사회적 방식으로 실패한다: 정보를 가진 쪽은 침묵하고, 발언을 주도하는 쪽은 집단을 잘못된 답에 고정시키며, 규범 위반은 제재받지 않는다. 우리는 LLM 에이전트 팀 내에서 변화하는 사회적 동역학을 모델링하고 검증하기 위한 프레임워크인 Agent Sociodrama를 제시한다. 고정된 페르소나 하에서, 에이전트의 감정 상태와 방향성 있는 비대칭적 관계는 통합된 외부 LLM 판정자(judge)에 의해 매 라운드마다 업데이트되며, 이는 이후 상호작용의 형태를 결정한다. 6개의 LLM 백본과 5개의 사회적 시나리오에 걸쳐, 우리는 고전적인 사회 이론 패턴 및 인간 판단과의 일치도를 통해 사회적 충실도(social fidelity)를 평가한다. 그 결과로 나타난 궤적(trajectory)은 구조화된 사회적 패턴과 모델별 차이를 보인다. 이어서 우리는 상호작용 기록(transcript)과 사회적 궤적으로부터 집단 동역학의 실패를 진단하고, 과제를 재실행하기 전에 에이전트 페르소나를 재구성하는 Trajectory-Guided Persona Recasting(TPR)을 제안한다. 4개의 협업 벤치마크에 걸쳐, TPR은 이질적으로 구성되거나 무작위로 초기화된 에이전트 페르소나 구성 모두에서 성능을 개선하며, 초기 캐스팅 대비 최대 83.3%p의 정확도 향상을 달성한다. 대표적인 분산 정보 협력(distributed-information cooperation) 및 혼합 동기 협상(mixed-motive bargaining) 과제에서, 우리는 네 번의 비교 중 세 번에서 SOTOPIA와 AgentVerse를 능가하며, Pareto 비율(Pareto rate)에서 최대 37.5%p의 차이를 보인다. 이러한 결과는 검증된 사회적 궤적이 LLM 에이전트 팀을 복구하기 위한 실행 가능한 신호를 제공함을 보여준다.

arXiv:2507.07426v4cs.AI

DrugMCTS: 멀티 에이전트, RAG 및 몬테카를로 트리 탐색을 결합한 신약 재창출 프레임워크

DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search

대규모 언어 모델(LLM)의 최근 발전은 신약 재창출(drug repositioning)과 같은 과학적 영역에서 상당한 잠재력을 보여주었습니다. 그러나 사전학습(pre-training) 과정에서 획득한 지식을 넘어서는 추론을 수행할 때 그 효과는 여전히 제한적입니다. 미세조정(fine-tuning)이나 검색-증강 생성(RAG)과 같은 기존 접근 방식은 높은 연산 오버헤드를 발생시키거나 구조화된 과학 데이터를 온전히 활용하지 못한다는 한계가 있습니다. 이러한 문제를 극복하기 위해, 본 논문에서는 신약 재창출을 위해 RAG, 멀티 에이전트 협업, 그리고 몬테카를로 트리 탐색(MCTS)을 시너지 효과가 나도록 통합한 새로운 프레임워크인 DrugMCTS를 제안합니다. 이 프레임워크는 분자 및 단백질 정보를 검색하고 분석하는 역할을 맡은 5개의 특화된 에이전트를 활용하여 구조화되고 반복적인 추론을 가능하게 합니다. DrugBank 및 KIBA 데이터셋에 대한 광범위한 실험을 통해 DrugMCTS가 범용 LLM 및 심층 학습(deep learning) 베이스라인 모두에 비해 상당히 높은 재현율(recall)과 견고성을 달성함을 입증합니다. 본 연구 결과는 신약 재창출을 위한 LLM 응용을 발전시키는 데 있어 구조화된 추론, 에이전트 기반 협업, 피드백 기반 탐색 메커니즘의 중요성을 강조합니다.

arXiv:2504.03991v2cs.CL

대규모 언어 모델을 활용한 다양한 인간 유사 팀워크 및 의사소통을 위한 알고리즘적 프롬프트 생성

Algorithmic Prompt Generation for Diverse Human-like Teaming and Communication with Large Language Models

팀 내에서 인간이 어떻게 협력하고 의사소통하는지 이해하는 것은 인간-에이전트 팀워크와 AI 보조 의사결정을 개선하는 데 필수적입니다. 그러나 물류적, 윤리적, 실무적 제약으로 인해 대규모 사용자 연구 데이터에만 의존하는 것은 비현실적이므로, 다양한 인간 행동을 합성하는 모델이 필요합니다. 최근 대규모 언어 모델(LLM) 기반 에이전트가 사회적 환경에서 인간 유사 행동을 모방할 수 있는 것으로 나타났습니다. 하지만 다양한 행동의 대규모 세트를 얻으려면 프롬프트를 설계하는 수동적인 노력이 필요합니다. 한편, 품질 다양성(Quality Diversity, QD) 최적화는 다양한 강화학습(RL) 에이전트 행동을 생성할 수 있는 것으로 입증되었습니다. 본 연구에서는 QD 최적화와 LLM 기반 에이전트를 결합하여 장기간, 다단계 협업 환경에서 다양한 팀 행동을 생성하는 프롬프트를 반복적으로 검색합니다. 먼저 인간 대상 실험을 통해 인간이 이 영역에서 다양한 조정 및 의사소통 행동을 보임을 보여줍니다. 그 다음 대규모 데이터 수집 없이는 관찰하기 어려운 행동을 우리의 접근 방식이 포착한다는 것을 보여주는 일련의 실험을 제시하고, 생성된 행동이 인간과 유사하다는 것을 보여주는 후속 사용자 연구를 수행했습니다. 우리의 연구 결과는 QD와 LLM 기반 에이전트의 결합이 다중 에이전트 협업에서 팀워크 및 의사소통 전략을 연구하는 데 효과적인 도구임을 강조합니다.