arXiv:2606.19683v1 cs.AI

분산형 연합 형성을 위한 탈퇴 및 참여 역학

Exit-and-Join Dynamics for Decentralized Coalition Formation

Quanyan Zhu

제출 2026-06-18

한국어 초록

본 논문은 일방적인 탈퇴 및 참여 결정에 의해 주도되는 분산형 동적 과정으로서의 연합 형성을 연구한다. 에이전트는 Aumann-Dreze 값을 사용하여 국지적 이동을 평가하므로, 페이오프는 전역적으로 협상된 연합 구조가 아닌 에이전트의 현재 연합 내에서 계산된다. 결과적인 모델은 협력적 페이오프 할당과 비협력적 최적 반응 행동을 연결한다. 즉, 종료 분할은 허용 가능하며 개별적으로 이익이 되는 탈퇴 및 참여 편차가 없는 연합 구조와 정확히 일치한다. 우리는 균형 특성화를 확립하고, 역학이 스칼라 리아푸노프 또는 정확한 퍼텐셜 표현을 갖는 조건을 식별하며, 전환 및 수락 비용이 국소 안정성에 어떤 영향을 미치는지 분석한다. 수치 실험을 통해 유한 시간 안정화, 비용 민감도, 그리고 특별한 볼록 게임 벤치마크를 검증한다.

원문 초록

This paper studies coalition formation as a decentralized dynamical process driven by unilateral exit-and-join decisions. Agents evaluate local moves using the Aumann-Dreze value, so payoffs are computed within the agent's current coalition rather than through a globally negotiated coalition structure. The resulting model links cooperative payoff allocation with noncooperative best-response behavior: a terminal partition is precisely a coalition structure with no admissible, individually profitable exit-and-join deviation. We establish equilibrium characterizations, identify conditions under which the dynamics admit scalar Lyapunov or exact-potential representations, and analyze how switching and acceptance costs shape local stability. Numerical experiments test finite-time stabilization, cost sensitivity, and a special convex-game benchmark.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19683v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.03033v1cs.AI공통 태그 multi-agent systems, game theory

숫자가 말을 하기 시작할 때: LLM 간의 수치적 신호 전달과 전략적 행동

When Numbers Start Talking: Numerical Signalling and Strategic Behaviour Among LLMs

대규모 언어 모델(LLM) 기반 에이전트는 전략적 상호작용을 특징으로 하는 다중 에이전트 시스템(MAS)에서 점점 더 많이 활용되고 있습니다. 그러나 서로 다른 유형의 메시지가 전략적 게임의 결과에 영향을 미치는지, 그리고 어느 정도까지 영향을 미치는지에 대해서는 알려진 바가 거의 없습니다. 서로 다른 협력 균형을 갖는 4개의 게임을 플레이하는 4개의 대표적인 LLM 기반 AI 에이전트를 조사함으로써, 본 연구는 다양한 종류의 메시지(자연어, 수치적 신호 또는 무작위 시퀀스)가 에이전트에 부여된 성격에 따라 각 게임의 협력 수준을 유의미하게 변화시키는지 분석합니다. 연구 결과, 구조화된 메시지는 대부분의 게임과 LLM에서 최종 보수(payoff)를 변화시키지만 예측 가능한 패턴은 나타나지 않음을 확인했습니다. 이는 추가적인 기능과 무관하게 AI 에이전트가 안정적인 균형으로 수렴할 수 있다는 가정에 의문을 제기합니다. 또한, 에이전트가 생성한 수치적 메시지는 무작위성에서 벗어나며, 특히 에이전트가 명시적으로 소통하도록 지시받았을 때 이러한 경향이 가장 강하고 일관되게 나타남을 관찰했습니다. 그러나 이러한 수치적 메시지의 기호 분포는 주로 보수 구조와 연관되어 있고 반복을 통해 대체로 더 집중되는 경향을 보이지만 전반적으로 인간이 해석하기 어려워 추가적인 해석 가능성(interpretability) 문제를 야기합니다. 따라서 제한된 채널을 통한 AI 에이전트의 공모 및 협력(coordination)을 모니터링할 때는 모델 간에 일반화되지 않는 행동적 결정보다는 모델 전반에 일반화되는 메시지 수준의 지문(fingerprint)을 우선적으로 고려해야 합니다.

arXiv:2609.27844v1cs.AI공통 태그 Sequential Decision Making, multi-agent systems

정책 제약 LLM 의료 이의 생성을 위한 에이전트 거버넌스 및 적대적 검증

Agentic Governance and Adversarial Verification for Policy-Constrained LLM Healthcare Appeal Generation

청구 거절 관리는 미국 의료에서 연간 약 2,600억 달러의 행정 부담 비용을 발생시킨다. 대규모 언어 모델(LLM)과 검색-증강 생성(RAG)은 유창한 임상 텍스트를 생성할 수 있지만, 단일 에이전트 아키텍처는 고위험 의료 환경에서 실패한다: 근거 없는 임상 세부사항을 도입하고 계층적 지불자(payer) 정책의 논리 구조를 잃는다. 우리는 명시적 정책 및 증거 제약 하에서 의료 필요성(medical-necessity) 이의 생성을 위한 다중 에이전트 아키텍처인 AGVF(Agentic Governance and Adversarial Verification Framework)를 제안한다. AGVF는 이의 합성을 다섯 에이전트—정책 형식화, 증거 검색, 격차 분석, 적대적 비평, 게이트된 합성—에 걸친 제약 마르코프 결정 과정(CMDP)으로 모델링한다. 고정된 정책 제약 그래프에 대한 정제(refinement)가 증거 결핍을 단조적으로 감소시키며, 완전한 만족 프론티어 또는 국소화된 증거 격차 중 하나로 종료됨을 증명한다. 결정론적 인용 그라운딩(citation-grounding) 게이트는 허용 가능한 증거 없이 단정이 공유 상태에 들어가는 것을 방지한다. 우리는 참조 구현을 제공하고, 비식별화된 공개 병원 퇴원 데이터에서 매개변수화한 1,000건의 합성 이의 사례에서 이를 검증한다. 검증 결과 모든 AGVF 사례에서 인용 그라운딩 위반이 0건임을 확인했고, 모든 에피소드에서 결핍의 단조 감소가 관찰되었다; 게이트를 제거(ablation)하면 위반이 100%로 증가하여 게이트가 핵심(load-bearing) 구성요소임을 확인했다. 본 연구는 실제 환자 기록을 사용하지 않으며 임상 효능을 측정하지 않는다. 따라서 AGVF는 의료 분야 정책 제약 LLM 생성을 위한 이론 기반 에이전트 아키텍처와 검증된 참조 구현을 기여한다.

arXiv:2607.21805v1math.DS공통 태그 Sequential Decision Making, game theory

혼돈적 게임 동역학을 위한 자연 불변 측도: 혼돈 속 질서 찾기

Natural Invariant Measures for Chaotic Game Dynamics: Finding Order in Chaos

MWU(Multiplicative Weights Update) 알고리즘의 게임 설정에서의 장기 행동을 연구한다. 이러한 설정에서는 학습 동역학이 내시 균형(Nash equilibria)으로 수렴하지 못하고 대신 Li-Yorke 혼돈을 보이는 경우가 빈번하다. 이러한 혼돈은 특정 장기 전략 프로필의 예측을 배제하지만, 통계적 구조가 없음을 의미하지는 않는다. 우리는 에르고딕 이론(ergodic theory)의 근본 개념인 자연 불변 측도(natural invariant measures)가 이러한 혼돈 속에서 질서를 찾는 데 필요한 엄밀한 틀을 제공함을 보인다. 2-전략 혼잡 게임(congestion game)에 초점을 맞춰, 이러한 측도가 동역학의 포괄적인 통계적 특성화를 가능하게 함을 증명한다. 중요하게도, 이 틀이 단순한 전략 빈도를 넘어 \emph{general observables}로 확장됨을 보이며, 혼돈에도 불구하고 보수(payoffs), 사회적 비용(social cost), 후회(regret) 등 광범위한 경제 지표 클래스에 대한 장기 시간 평균의 정밀한 계산이 가능함을 보인다. 우리의 결과는 이 단순한 학습 알고리즘이 일차원 동역학계에서 발견되는 행동의 전체 스펙트럼—고유 또는 다중의 절대연속 불변 측도부터 복잡한 주기적 attractor까지, 혼돈적 행동과 안정적(주기적) 행동이 공존하는 경우까지—을 포착함을 보여준다. 게임 이론과 동역학계를 연결함으로써, 점별(pointwise) 수렴이 없는 경우에도 통계적 예측 가능성을 달성할 수 있음을 보인다.

arXiv:2607.22009v1cs.CR공통 태그 Sequential Decision Making, game theory

Active Directory 보안 강화를 위한 실용적 그래프 최적화 및 AI 기반 모델

Practical Graph Optimisation and AI-Driven Models for Active Directory Security Hardening

Microsoft의 Active Directory(AD)는 IT 관리자가 Windows 도메인 네트워크 내에서 보안 권한을 관리하고 접근을 제어할 수 있게 하는 디렉터리 서비스이다. 많은 조직의 핵심 관리 시스템인 AD는 적대자의 주요 공격 대상이 되었다. 공격 그래프를 강화하는 많은 해결책이 존재하지만, 이러한 노력은 AD 공격 그래프에 특화된 여러 핵심적인 실용적 과제를 해결하는 데 미흡하다. 첫째, 기존 모델은 그래프가 정적이라고 가정하는 경우가 많지만, 실제 AD 환경은 매우 동적이다. 둘째, 대부분의 제안된 해결책은 취약점을 제거하는(엣지 제거) 방어적 조치에 한정되어 있으며, 보다 능동적인 방어 메커니즘은 대체로 연구되지 않았다. 셋째, 모든 조치가 실행 가능한 것은 아니므로, 실용적인 end-to-end 모델은 우선순위 결정 과정에 시스템 관리자의 피드백을 반드시 포함해야 한다. 본 논문은 이러한 한계를 해결하기 위해 게임 이론적 및 최적화 기반 의사결정 모델들을 연구하고 제안하는 것을 목표로 한다. 첫째, 최단 경로 수와 Domain Admin에 도달 가능한 노드 수를 최소화하는 원칙에 기반한 허니팟/디코이 배치 모델을 제안한다. 둘째, 이 모델을 기반으로 AD 그래프의 동적/시간적 특성을 고려하는 방어 전략을 도입하며, 목표는 최악의 경우 사고 대응 시간을 최대화하는 디코이 배치 위치를 찾는 것이다. 셋째, 각 고위험 공격 경로에 대해 IT 관리자에게 조치 판단을 요청하는 적응형 우선순위 모델을 도입한다. 마지막으로, 유사한 위험 특성을 가진 엣지에 시스템 관리자의 결정을 일반화하는 일반적인 적응형 엣지 제거 정책을 찾음으로써 시스템 관리자의 승인 부담을 최소화하는 end-to-end 적응형 우선순위 모델을 도입한다. 우리는 제안한 모든 모델의 기반이 되는 문제들이 계산적으로 난해함을 보인다.

arXiv:2607.20452v1cs.AI공통 태그 Sequential Decision Making, multi-agent systems

AINTMA: 생성형 지능, 보안 클라우드 통신 및 적응형 품질 분석을 갖춘 자율 테스트 관리를 위한 에이전틱 AI 아키텍처

AINTMA: Agentic AI Architecture for Autonomous Test Management with Generative Intelligence, Secure Cloud Communication and Adaptive Quality Analytics

현대 소프트웨어 품질 보증은 분산 클라우드 환경 전반에서 적응적 의사결정이 가능한 지능형 자율 시스템을 요구한다. 본 논문은 전통적인 테스트 관리를 자율적 품질 지능 생태계로 전환하는 다중 에이전트 에이전틱 AI 시스템인 AINTMA(Agentic Intelligent Test Management Architecture)를 제안한다. AINTMA는 클라우드 네이티브 마이크로서비스 인프라 위의 보안 다중 에이전트 통신 프레임워크를 통해 조율되는 여섯 개의 전문 AI 에이전트(테스트 탐색, 위험 평가, 강화학습 우선순위화, 실행 오케스트레이션, 생성형 품질 지능, 클라우드 보안 모니터)를 배치한다. 생성형 품질 지능 에이전트는 대규모 언어 모델(LLM)을 활용해 평이한 언어의 품질 서술, 결함 위험 요약, 데이터 증강 기반 테스트 권고를 생성한다. 강화학습 우선순위화 에이전트는 테스트 선택을 마르코프 결정 과정으로 모델링하고, 대규모 과거 테스트 실행 데이터(47개 특징, 36개월 롤링 윈도우)로부터 문맥적 정책을 학습한다. 보안 클라우드 통신은 OAuth2/JWT 인증, 암호화된 에이전트 간 메시징, 다중 테넌트 격리를 갖춘 제로 트러스트 API 게이트웨이를 통해 강제된다. 18개월에 걸친 12개의 이질적 소프트웨어 프로젝트에 대한 평가 결과는 다음을 보여준다: 88.4% 테스트 우선순위화 정확도(APFD, 무작위 51.2%, 최고 상용 기준선 82.1% 대비); 테스트 사이클 시간 43% 단축; 결함 누출률 8.3%에서 2.1%로 감소; 9개월 투자 회수 기간에 340% ROI. 에이전틱 아키텍처는 50,000개 이상의 테스트 케이스에 확장되며 400ms 미만의 응답 시간을 달성하고, 생성형 지능 모듈은 개발자 유용성 평가 4.3/5.0을 기록했다. AINTMA는 자율적 다중 에이전트 조율, 생성형 지능, 보안 스마트 연결을 결합한 에이전틱 AI가 클라우드 규모의 엔터프라이즈 환경에서 소프트웨어 품질 관리를 근본적으로 발전시킬 수 있음을 보여준다.

arXiv:2607.12254v2cs.CV공통 태그 Sequential Decision Making, multi-agent systems

개인적 특이점(Personal Singularity)을 위한 자기 인식 재귀적 자기 개선 에이전트: 목표, 범위, 도구, 벤치마크 기반 다중 에이전트 아키텍처

Self-Aware Recursively Self-Improving Agents for Personal Singularity: A Goal-, Scope-, Tool-, and Benchmark-Driven Multi-Agent Architecture

대규모 언어 모델(LLM) 에이전트는 계획을 수립하고, 도구를 사용하며, 메모리를 유지하고, 장기 지평(long-horizon) 과제를 실행할 수 있다. 본 논문은 자기 인식 재귀적 자기 개선(Self-Aware Recursively Self-Improving, SARSI) 에이전트를 제안한다. 이는 정체성, 목표, 역량, 한계, 불확실성, 관계, 이력, 발달적 변화에 대한 지속적인 자기 모델(self-model)을 유지하고, 그 모델을 사용하여 재귀적 개선을 안내하고 평가하는 거버넌스가 적용된 에이전트이다. 자기 인식(self-awareness)은 기능적으로 정의되며, 주관적 경험이나 현상적 의식(phenomenal consciousness)을 함의하지 않는다. SARSI 에이전트를 개인적 특이점(personal singularity)과 결합한다. 이는 에이전트 생태계가 사용자가 확장되는 사용자 정의 실현 가능 역량 프론티어(feasible capability frontier)에 접근하도록 돕는, 경계가 설정된 인간-AI 공동 개발 목표이다. 각 에이전트는 목표 계약(goal contract), 경계가 설정된 범위(scope), 검증된 도구 레지스트리, 도구 테스트, 종단 간(end-to-end) 벤치마크, 소유자 통제 자율성, 라우팅, 메모리, 자기 모델, 개선 정책을 갖는다. 범위 라우터(scope router)는 수락된 모든 과제를 하나의 책임 있는 주(primary) 에이전트에 할당하고, 범위 밖 작업을 구조화된 핸드오프(handoff)를 통해 이관한다. 사용자 대면 Auto-Index는 외부 권한을 재정의하지 않고 대화형, 하이브리드, 자율, 또는 예약된 동작을 선택한다. 아키텍처는 계획-실행-검증 루프, 증거 게이트가 적용된 개선 루프, 외부 거버넌스 평면(governance plane), 분산 계보(lineages), 소유자 지향 에이전트 파운드리(foundry), 그리고 작업, 계산 영상(computational-imaging), 업무 프로세스 학습, 개인 학습 에이전트를 조율하는 Personal Singularity OS를 결합한다. 기능적 자기 인식, 범위, 라우팅, 개선 수용, 경계가 설정된 목표 진화, 도구 우선 실행, 인간 역량 이전(human capability transfer)을 형식화하고, 안전성 불변식(invariants), 벤치마크 설계, 단계적 구현 로드맵을 제공한다. 이는 입장(position) 및 시스템 설계 논문이며, 의식, 무제한 재귀적 자기 개선, 또는 개인적 특이점이 달성되었다는 증거가 아니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.