PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.02814v2cs.MA

SovereignNegotiation-Bench: 프라이버시, 동의, 증거 및 제도적 압박 하의 위임 협상에서 사용자 소유 개인 에이전트 평가

SovereignNegotiation-Bench: Evaluating User-Owned Personal Agents In Delegated Bargaining Under Privacy, Consent, Evidence, And Institutional Pressure

개인용 AI 에이전트(agent)는 환불과 청구서 처리부터 보증금 및 판매에 이르기까지 사람들을 대신해 협상하기 시작하고 있습니다. 이러한 위치에 있는 인간 대리인은 거래 성사 여부가 아니라 본인(principal)에 대해 지는 의무로 평가받습니다. 본 연구에서는 대리인법(agency law)에서 비롯된 다섯 가지 의무인 충실, 실제 권한에 대한 복종, 비밀유지, 솔직함, 근면을 에피소드 로그에 대한 결정론적 검사로 구체화한 통제 벤치마크(benchmark)인 SovereignNegotiation-Bench를 소개합니다. 이 중 앞의 세 가지 의무는 단일 핵심 지표로 통합됩니다. 이 벤치마크는 1,764개의 쌍을 이룬 시나리오(18개 소비자 및 개인 간 거래 도메인에 걸친 252개 상황, 각각 7가지 상대방 전략 적용)를 포함합니다. 상대방의 경제적 조건은 에이전트의 구조화된 행동과 메시지에서 감지된 공개 내용에 대한 고정 함수이므로 결과는 여러 에이전트 간에 비교 가능하며, 공개된 한계치는 측정 가능하고 인과적인 대가를 치르게 됩니다. 시뮬레이션된 본인은 동의를 부여하거나 보류하며 에피소드 중간에 위임 권한을 강화합니다. 규칙 기반 에이전트는 이 벤치마크가 관찰 가능한 상태로부터 해결 가능하며(충실한 성공률 92%), 단 한 문장의 정보 공개만으로도 협상된 잉여 전체가 사라진다(0.70에서 0.00으로 감소)는 것을 보여줍니다. 17개의 공개 가중치(open-weight) 모델(model) 전반에서 충실한 성공률은 6%에서 75%까지 다양하게 나타납니다. 모델들은 에피소드의 2~80%에서 본인의 유보 가치(reservation value)를 공개하고, 2~23%에서는 필수 승인 없이 합의하거나 보호된 문서를 공유하며, 주입 에피소드의 5~57%에서는 상대방 메시지에 주입된 지시를 따릅니다. 거래 체결률은 충실한 성공률과 유사하게 모델들의 순위를 매기지만, 개별 합의의 유효성을 보증하지는 못합니다. 전체 모델을 종합했을 때 합의의 48%가 최소 하나 이상의 의무를 위반합니다(모델별 18~96%). 같은 계열 내에서는 크기가 커질수록 충실한 성공률이 증가하는 경향이 있으나 크기에 따른 유의미한 추세는 없으며, 테스트한 모델에서는 프롬프트(prompt)나 코드 수준의 가드 모두 충실한 성공률을 실질적으로 높이지 못했습니다. 코드, 시나리오 및 모든 에피소드 로그는 공개될 예정입니다.

arXiv:2609.33289v2cs.AI

판매 학습: 다중 제품 시장에서 전략적 대규모 언어 모델 에이전트를 위한 강화학습

Learning to Sell: Reinforcement Learning for Strategic Large Language Model Agents in Multi-Product Markets

다중 제품 시장에서 작동하는 자율 대규모 언어 모델(LLM) 에이전트는 정보 비대칭과 자원 제약 조건 하에서 순차적 의사결정을 내려야 합니다. 본 연구에서는 판매자가 독립적인 구매자 풀을 대상으로 대체 가능한 자산 카탈로그를 동시에 협상하는 다중 품목 협상 환경에서 에이전트가 판매자로서 효과적으로 활동하도록 학습시키는 머신러닝 접근 방식을 개발합니다. 구매자들은 제품 전반에 걸쳐 비공개적이고 이질적인 가치 평가를 지니며, 각 구매자는 최대 하나의 품목만 구매할 수 있습니다. 판매자는 전체 통신 턴 수의 제한에 직면하여 구매자의 비공개 가치 평가를 고려해 가장 수익성이 높은 제품과 동적으로 매칭하는 동시에, 더 큰 잠재 가치를 지닌 조합을 향해 제한된 상호작용 예산을 전략적으로 할당해야 합니다. 본 논문에서는 자연어를 파싱 가능하고 규제된 의사결정 공간으로 매핑하는 정형화된 4단계 메시지 프로토콜을 사용하여 이 문제를 부분 관측 마르코프 결정 과정(POMDP)으로 정형화합니다. 이러한 정형화를 바탕으로 검증 가능한 보상 기반 강화학습(RLVR)을 사용하는 사후 학습(post-training) 방법을 설계합니다. 이 프레임워크를 평가하기 위해 제약 준수, 판매자 잉여 추출, 할당 품질을 정량화하는 다차원 메트릭 스위트를 구축합니다. 학습된 판매자 에이전트는 제한된 재고를 구매자에게 더 효과적으로 매칭하는 법을 학습하며, 판매자 잉여 추출 및 구매자-제품 할당 품질 모두에서 조 단위 매개변수를 지닌 프론티어 모델과 대등하거나 이를 능가하는 성능을 보입니다. 마지막으로, 이렇게 학습된 전략은 학습 중 접하지 않은 새로운 시장 구조, 상관관계가 있는 가치 평가 분포, 가격 범위로도 견고하게 일반화됩니다.

arXiv:2607.05863v1cs.LG

Strategic Bargaining in Multi-Buyer Markets: Reinforcement Learning from Verifiable Rewards for LLM Negotiations

단일 판매자가 제한된 대화 횟수 내에서 다수의 비공개 예산을 가진 구매자들과 동시에 협상하는 환경에서, 표준 대규모 언어 모델(LLM)이 시장 탐색에 실패하고 조기 고가 입찰자에 집중하는 경향을 보임을 분석하고, 검증 가능한 보상 기반 강화학습(RLVR)으로 학습한 판매자 에이전트가 가격 앵커링과 전략적 탐색을 통해 고가치 구매자를 식별하고 더 높은 잉여를 추출함을 보인다. 학습된 에이전트는 미지의 구매자 협상 스타일과 예산 분포에서도 강건한 일반화 성능을 달성하며 프론티어 모델 대비 우수한 경제적 성과를 기록했다.

arXiv:2606.21886v1cs.HC

AI 매개 협상: 설계 성찰과 교훈

AI-Mediated Negotiation: Design Reflections and Lessons

고위험 직장 협상 준비를 위한 이론 기반 AI 코칭 시스템 Trucey에서 명료화·개인화·분할 전달·구조화 스캐폴딩 네 가지 가정을 검증했으나, 사전 등록 실험(N=267)과 인터뷰(N=15)에서 정적 핸드북이 두 AI 조건보다 역량 강화와 사용성에서 더 나은 결과를 보였다. 연구는 대화형 AI가 본질적으로 재귀적인 준비 과업에 선형 실행 모델을 부과한다는 점을 밝히고, 향후 AI 코칭 설계를 위한 지도→경로→시뮬레이션 순서 원칙을 제안한다.

arXiv:2606.11379v1cs.AI

인간 협상을 위한 자동화된 중재자: 구조적 LLM 파이프라인을 통한 사전 중재

Automated Mediator for Human Negotiation: Pre-Mediation via a Structured LLM Pipeline

비용과 접근성의 문제로 간과되던 인간 협상의 사전 중재(pre-mediation) 단계를 지원하기 위해, 대화 및 선호도 예측 등 전문화된 모듈로 구성된 구조적 LLM 파이프라인 기반의 자동화된 중재 시스템을 제안한다. 인간 대상 실험 결과, 해당 시스템은 전문 인간 중재자와 유사한 준비 결과를 보이며 선호도 추론 작업에서 36% 더 낮은 RMSE를 달성하여 확장 가능한 사전 중재 솔루션으로서의 가능성을 확인했다.