PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.25669v1cs.CL

발화에서 네트워크로: 서브레딧 간 슬랭 채택 및 확산 모델링

From Utterances to Networks: Modelling Slang Adoption and Diffusion Across Subreddits

온라인 커뮤니티에서 신조어의 채택과 확산은 최근 몇 년간 다시 주목받고 있다. K-pop 노래를 가리키는 APT와 같은 인터넷 슬랭 용어나, 난처하지만 중추적인 사건을 뜻하는 Canon Event와 같은 표현이 온라인에서 유행함에 따라, 이들의 성공에 기여하는 메커니즘을 이해하는 일이 점점 더 중요해지고 있다. 선행 연구는 슬랭 확산을 사회적 상호작용의 관점 또는 슬랭 자체의 언어적 속성의 관점에서 설명해 왔으나, 두 관점을 함께 다루는 경우는 드물었다. 주요 장애물 중 하나는 대규모 온라인 커뮤니케이션에서 슬랭 사용을 주석(annotation)하는 데 드는 높은 비용이었다. 그러나 최근 대규모 언어 모델(LLM)의 발전으로 이를 이러한 작업을 위한 확장 가능한 주석 도구로 활용할 수 있게 되었다. 본 연구에서는 먼저 실제 Reddit 커뮤니케이션에서 슬랭 사용을 탐지하는 LLM의 성능을 평가하기 위해 사람이 주석한 벤치마크를 구축한다. 이어서 LLM 기반 주석을 활용하여 슬랭의 채택과 확산을 모델링한다. 분석 결과, 브리징 자본(bridging capital)이 높은 슬랭 확산자는 이후의 채택 증가와 연관되는 반면, 본딩 자본(bonding capital)이 높은 확산자는 채택 감소와 연관되는 것으로 나타났다. 또한 슬랭 용어가 사용되는 맥락이 더 넓을수록 신규 사용자가 이를 공식적으로 채택하기까지의 시간이 더 길어진다는 것도 확인했다. 종합하면, 이러한 결과는 소셜 네트워크 구조와 언어적 맥락이 모두 온라인 커뮤니티에서 신조어의 확산을 좌우함을 시사한다.

arXiv:2607.14574v1cs.AI

네트워크 사회 실험에서 다중 LLM 에이전트를 활용한 협력적 공간 학습

Collaborative Spatial Learning with Multi-LLM Agents in Networked Social Experiments

집단적 문제 해결에서는 그룹 구성원이 이미 알려진 해법의 활용(exploitation)과 새로운 해법을 찾기 위한 탐험(exploration) 사이의 트레이드오프를 고려해야 하는 경우가 많으며, 알려진 해법에 관한 정보는 통신 네트워크를 통해 개별 구성원에게 전파될 수 있다. Mason--Watts 실험(PNAS 2012)은 2차원 탐색 과제에서 경로가 더 짧은 네트워크에 있는 인간 집단이 경로가 더 긴 네트워크의 집단보다 더 좋은 성과를 보인다는 것을 보여주었다. 본 연구에서는 대규모 언어 모델(LLM) 에이전트 그룹이라는 설정에서 이러한 네트워크 효율 효과를 조사하는 데 초점을 맞춘다. 구체적으로, 8가지 Mason--Watts 네트워크 위상(topology)에서 Mason--Watts 실험을 수행하는 16개 LLM 에이전트 그룹을 고려한다. 또한 LLM 에이전트의 성능을 메커니즘 기반 에이전트 및 인간 실험 데이터와 비교할 수 있도록 메커니즘적 베이지안 최적화(optimization) 에이전트를 개발한다. 우리의 계산 실험은 LLM 에이전트가 1라운드 선택을 무작위화하도록 지시받았을 때는 유의미한 네트워크 효율 효과를 보이지만, 기본 초기화 하에서는 그렇지 않음을 나타낸다. 이 실험에서 1문장짜리 1라운드 무작위화 지시를 추가하면, 8개 네트워크 위상에 걸친 추정 보수(payoff) 차이의 3배 이상만큼 집단적 보수가 개선된다. 또한 이 공간 탐색 과제에서 베이지안 최적화 에이전트는 평가된 LLM 에이전트보다 더 높은 보수를 얻는다. 나아가 에이전트의 탐험-활용 행동, 모방(copying), 공간적 다양성을 추가로 비교한다.

arXiv:2607.03695v1cs.LG

LLM 에이전트의 소셜 네트워크

Social Networks of LLM Agents

LLM 에이전트 집단에서 제한된 어텐션으로 인해 노출 그래프와 실제 영향력 그래프가 분리된다는 점을 포착하는 SNLA 프레임워크를 제안하며, 어텐션 폭이 좁을수록 유효 표본 크기가 집단 크기와 무관하게 유계로 유지되어 군집행동(herding)이 발생함을 이론적으로 증명한다. 또한 에이전트 간 노출을 균등화하는 분산형 가격 책정 프로토콜이 군집행동을 제거하고 대중의 지혜(wisdom-of-crowds) 행동을 회복시킴을 세 가지 다중 에이전트 LLM 벤치마크 실험으로 검증한다.

arXiv:2601.13932v2physics.soc-ph

Generating consensus and dissent on massive discussion platforms with a semantic-vector model

대규모 집단 토론 플랫폼에서 아이디어 간 의미적 유사성을 기반으로 합의 또는 반목을 유도하기 위해, 사전학습된 임베딩(embedding) 모델로 산출한 의미 벡터(semantic vector)를 O(N) 모델에 결합한 동역학 시스템을 제안한다. 결합 파라미터 β > 0이면 강자성(ferromagnetic) 위상으로 전체 합의가, β < 0이면 반강자성(antiferromagnetic) 위상으로 최대 불일치가 유도됨을 시뮬레이션으로 검증하였다.