PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.16944v2cs.AI

인공지능을 위한 갈등 맥락에서의 마음 이론 인과 모델

A Causal Model of Theory of Mind in Conflict for Artificial Intelligence

마음 이론(Theory of Mind, ToM)은 타인에게 정신 상태를 귀속하고 이를 예측과 추론에 활용하는 능력으로, 효과적인 인간-기계 통합에 필수적인 것으로 널리 간주됩니다. 기존 AI-ToM 모델은 정신화(mentalizing)를 '어떻게' 수행할지를 다루지만, '언제' 수행할지라는 질문은 대부분 다루지 않습니다. 핵심 질문은 다음과 같습니다: 갈등 상황에서 어떤 상황적·에이전트 수준의 조건에서 ToM 개입이 인과적으로 정당화되는가? 본 논문은 방향성 비순환 그래프(DAG)로 형식화한 구조적 인과 모델을 제시하며, ToM을 항상 켜져 있는 능력이 아니라 상황적·에이전트 수준의 조건에 의해 활성화되는 메커니즘으로 취급합니다. 이 모델은 상황적·에이전트 수준의 조건을 포착하는 4개의 외생 변수, 5개의 내생 매개 변수, 그리고 세 가지 뚜렷한 인과 경로—처리 가능성(tractability) 경로, 추론 깊이(reasoning-depth) 경로, 가능화 원인(enabling-cause) 경로—를 통해 개입 상태를 생성하는 기계론적 ToM 노드를 명시합니다. 주요 결과 변수는 인식론적 정확도(epistemic accuracy)로, 이는 사회적 추론을 행동 정책(behavioral policy)과 분리하고 갈등을 넘어 다양한 사회 현상으로 일반화됩니다. 이 프레임워크는 AI 시스템에 정신화를 위한 원칙적이고 자원 합리적(resource-rational) 의사결정 절차를 제공하며, 효율성, 신뢰, 그리고 견고한 인공 사회 지능(artificial social intelligence) 개발에 대한 함의를 갖습니다. 시뮬레이션 검증, 실증적 인간-기계 팀 협업 연구, 그리고 갈등 최적화 정신화에서 비롯되는 윤리적 고려사항이 논의됩니다.

arXiv:2606.21315v1cs.AI

평생 사회 지능을 위한 사회적 세계 모델

Social World Model for Lifelong Social Intelligence

사회적 지능(social intelligence)은 언어 에이전트(language agent)의 핵심 역량이지만, 현재 연구는 이러한 기술이 지속적으로 형성되고 축적되는 방식보다 정적인 능력 평가(evaluation)에 주로 초점을 맞추고 있다. 이러한 공백은 지속 가능한 학습(training) 패러다임으로의 전환을 요구한다. 현재 두 가지 방법론적 난점이 존재한다: 사회적 상호작용 궤적(trajectory)은 반복 가능한(iterable) 학습 신호를 형성하기 위한 통합된 구조화 표현(structured representation)이 부족하고, 능력 향상과 유지(retention)는 일반적으로 독립적으로 연구되어 지속적인 진화(evolution)의 평가를 방해한다. 이 공백을 메우기 위해 우리는 Social World Model을 제안한다. 우리는 사회적 상호작용을 다섯 가지 차원(장면 설정, 관찰, 정신 상태, 행동, 대화)으로 분해하여 폐루프(closed-loop) 학습 프레임워크를 구축한다. 이 설정에서 에이전트(agent)는 상호작용 경험을 수집하고, 이를 모델 업데이트를 위한 선호 신호(preference signal)로 변환하며, 지속적인 학습을 위해 업데이트된 정책(policy)을 재배포한다. 또한 재사용 가능한 데이터 합성(synthesis) 메커니즘과 평생 학습(lifelong learning) 벤치마크를 제공하여, 사회적 능력을 "평가의 대상"에서 "지속 가능한 학습의 대상"으로 전환한다. ASCENT-Bench에서 프레임워크를 검증한 결과, 상호작용적으로 학습된 Qwen2.5-7B 모델은 다섯 가지 핵심 지표 전반에서 기준선(baseline)을 능가한다. 특히 completion rate에서는 폐쇄형 Gemini 3 Flash와 동등한 성능을 달성하고, pass rate에서는 이를 능가하며, 세 가지 난이도 수준에서 망각 제로(zero forgetting)를 달성한다. 정적 비교나 능력 저하(decay)만 보고하는 선행 연구와 달리, 이 end-to-end 접근법은 학습 가능하고 검증 가능하며 유지 가능한 경로를 제공하며, 소규모 오픈소스 모델이 경쟁력 있는 사회적 조율(social coordination) 능력을 지속적으로 습득할 수 있음을 보여준다.

arXiv:2606.12018v1cs.AI

MODF-SIR: 사회적 지능 추론을 위한 멀티 에이전트 옴니모달 증류 프레임워크

MODF-SIR: A Multi-agent Omni-modal Distilled Framework for Social Intelligence Reasoning

경량 멀티모달 대규모 언어 모델(MLLM) 기반의 멀티 에이전트 협업 프레임워크를 통해 지식 증류와 테스트 타임 적응(TTA)을 적용한 사회적 지능 추론 방법을 제안한다. 롱테일 이벤트를 명시적 텍스트로 변환하여 처리하고 적은 양의 학습 데이터로도 최첨단(SOTA) 성능을 달성했다.