계산 시스템 내 인간과 유사한 어휘의 출현을 모델링하는 연구는 학습 압력과 의사소통 압력을 모두 시뮬레이션하는 상호작용 신경 에이전트의 활용을 통해 발전해 왔습니다. NeLLCom-Lex 프레임워크 (Zhang et al., 2025) 는 인간 데이터에 대한 지도 학습 (SL) 과 지시 게임에서의 강화 학습 (RL) 을 통해 신경 에이전트가 실용적인 색상 명명 행동과 인간과 유사한 어휘를 개발할 수 있도록 합니다. 이러한 성공에도 불구하고, 출현한 어휘는 인간의 색상 범주에서 체계적으로 벗어나 색 공간 내 비볼록 (non-convex) 영역을 생성하여 인간 범주의 전형적인 볼록성 (convexity) 과 대비됩니다. 이를 해결하기 위해 우리는 SL 동안 희귀 색상 용어의 업샘플링과 다수 청취자 강화 학습 상호작용이라는 두 가지 요인을 도입하고, 기하학적 일관성을 정량화하기 위해 볼록성 측정치를 채택합니다. 우리는 업샘플링이 색어휘의 어휘 다양성과 시스템 수준의 정보량을 향상시키며, 다수 청취자 설정이 더 볼록한 색상 범주를 촉진한다는 것을 발견했습니다. 중간 정도의 업샘플링과 여러 청취자의 조합은 인간 시스템과 가장 유사한 어휘를 생성합니다.