다중 에이전트 협업을 위한 보정된 신뢰도 학습

요약

본 논문은 복잡한 웹 정보 탐색을 위한 다중 에이전트 시스템 MASCAL을 제안합니다. MASCAL은 각 에이전트가 강화학습(RL)을 통해 작업 성능과 신뢰도 보정을 공동 최적화하도록 학습합니다. 이를 통해 상위 에이전트는 정확성 확률을 하위 에이전트에 전달하여, 최종 답변의 신뢰도를 수치화하고 시스템 출력을 개선하는 협업 구조를 구축했습니다.

핵심 포인트

• MASCAL은 RL 기반으로 성능과 신뢰도 보정을 공동 최적화합니다.
• 상위 에이전트가 생성한 정확성 확률을 하위 에이전트에 전달하여 의사결정의 정량적 근거를 제공합니다.
• '신뢰도 인식 가중치' 도입으로 에이전트가 신호 사용 결정으로부터 더 많이 학습하도록 유도했습니다.
• 개입 분석 결과, 상위 신뢰도가 하위 결정 행동에 긍정적인 영향을 미치는 것이 확인되었습니다.