DRIFTLENS: Measuring Memory-Induced Reasoning Drift in Personalized Language Models
개인화된 대규모 언어 모델(LLM)이 사용자 속성(나이, 직업, 장애 여부 등)을 메모리로 주입할 때 최종 답변은 그대로여도 추론 과정 자체가 달라지는 현상(symbolic drift)을 정량화하기 위해, 정답 없이 가치 온톨로지 기반의 추론 궤적 발산을 측정하는 프레임워크 DRIFTLENS를 제안한다. 4개의 LLM과 10개의 사용자 속성 카테고리에서 중·대규모의 추론 드리프트가 확인되었으며, GRPO·DPO 기반 사후학습(post-training)으로 드리프트를 줄일 수 있었지만 어느 방법도 모든 모델에서 일관되게 우세하지 않았고 하위 능력·유용성과의 트레이드오프가 존재함을 보인다.