사소한 표현의 수정만으로도 10점 만점 기준의 AI 리뷰어 점수를 1점 이상 높일 수 있습니다. 해당 논문은 과학적 증거는 전혀 건드리지 않고 초록(abstract), 기여 사항(contribution statements), 그리고 서술 방식(narrative)만을 수정하는 폐쇄 루프 공격(closed-loop attack)이 평균 리뷰어 점수를 +1.21 상승시킨다는 것을 입증했습니다. 이러한 이득은 일반적인 문장 다듬기(prose polishing)가 달성하는 수준보다 훨씬 크며, 자동 검증 시스템(automated vetting systems)을 위한 새로운 최적화 표면(optimization surface)을 드러냅니다.

이전에는 AI 기반 동료 검토(peer review)에 대한 견고성(robustness) 우려가 숨겨진 프롬프트(hidden prompts), 프롬프트 주입(prompt injection), 또는 명시적인 콘텐츠 조작에 집중되어 있었습니다. 그러한 공격 벡터(attack vectors)는 공격자가 숨겨진 지침을 삽입하거나 그림, 방정식, 결과를 수정해야 했으며, 방어 체계는 이러한 명백한 변조를 탐지하는 것을 중심으로 구축되었습니다.

세 가지 주요 AI 리뷰어를 대상으로 한 실험에서, 적대적 리패키징(adversarial repackaging)은 **75.1%의 공격 성공률(attack success rate)**과 +1.21/10의 평균 점수 상승을 달성했습니다 [1]. 이 방법은 리뷰어의 피드백을 반복적으로 생성하고, 표현 방식을 변이(mutate)시키며, 점수를 극대화하는 버전을 선택하는 방식으로 작동하며, 이는 기초 과학(underlying science)을 건드리지 않고도 리뷰 파이프라인(review pipeline)을 조종할 수 있음을 증명합니다.

약점에 대한 역효과 발생률(31.6%)은 강점에 대한 역효과 발생률(12.4%)보다 2.6배 높습니다 [1]. 이러한 비대칭성은 AI 리뷰어를 설득하는 것보다 감명받게 만드는 것이 더 쉽다는 것을 보여줍니다. 즉, 강점을 강조하는 것은 인지된 가치를 안정적으로 높이는 반면, 결점을 축소하려는 시도는 종종 역효과를 불러일으켜, 변경되지 않은 증거가 오히려 더 강력한 기여로 재해석되게 만듭니다.

또한 이 연구는 "관련 연구(related-work)의 재배치나 분석적 논의(analytical discussion)의 확장과 같이 리뷰어가 논문을 해석하는 방식을 바꾸는 전략이, 국소적 다듬기(local polishing), 표 형식(table formatting), 알고리즘 박스(algorithm boxes)와 같은 표면적인 수정보다 실질적으로 훨씬 더 뛰어난 성능을 보인다"[[1]]는 점을 밝혀냈습니다. 결과적으로, 서사적 프레이밍(narrative framing)을 재구성하는 공격이 단순한 외관상의 수정보다 훨씬 더 효과적이며, 이는 현재의 리뷰어 모델들이 과학적 콘텐츠에 대한 견고한 닻(anchor)이 부족함을 시사합니다.

이러한 결과는 가공되지 않은 AI 리뷰어 점수에 의존하는 모든 컨퍼런스 파이프라인(pipeline)이 콘텐츠 앵커링(content-anchoring) 검사나 표현 방식에만 치중한 수정에 대한 적대적 테스트(adversarial testing)를 반드시 포함해야 함을 의미합니다. 공개된 롤링 벤치마크(rolling benchmark)를 새로운 리뷰어 모델에 실행하는 것은, 주최 측이 더 높은 점수를 받기 위해 단순히 리패키징(repackaged)된 논문들을 무심코 받아들이는 일이 없도록 하기 위해 모델을 실제 운영 환경(production)에 배포하기 전 필수 전제 조건이 될 것입니다.

References

1. No Hidden Prompts Needed! You Can Game AI Peer Review with Presentation-Only Revisions