Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
멀티 에이전트 LLM 시스템 내에서 평가자 편향이 네트워크를 통해 전파되는 현상을 분석한 연구입니다. Contagion Networks 프레임워크를 통해 편향 확산 메커니즘을 측정하고, 평가 위원회 규모 확대를 통한 완화 전략을 제시합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (LLM)이 멀티 에이전트 시스템 (multi-agent systems)에서 평가자 역할을 수행할 때, 이들의 체계적인 평가 편향 (evaluation biases)은 에이전트 네트워크를 통해 전파됩니다. 우리는 상호작용하는 LLM 에이전트들 사이에서 평가자 편향이 어떻게 확산되는지 측정하기 위한 공식적인 프레임워크인 Contagion Networks를 소개합니다. 세 가지 뚜렷한 평가자 편향 프로필(구조적, 균형적, 증거 기반)을 가진 DeepSeek-chat을 사용한 통제된 3-에이전트 실험에서, 우리는 교차 에이전트 전염 행렬 (Cross-Agent Contagion Matrix) $\Gamma_3$를 측정하였으며, 평가자 편향이 동일한 기반 모델 내에서도 에이전트 간에 일관되게 전파됨($\gamma$가 $[0.157, 0.352]$ 범위 내에 있음)을 발견했습니다. 우리는 스펙트럼 반지름 (spectral radius) $\rho(\Gamma_N)$에 의해 지배되는 세 가지 전파 체제 (propagation regimes)를 식별하였으며, 동질적 모델 (homogeneous-model) 에이전트가 이전 연구(MM-EPC: $\gamma \approx 0.85\text{-}1.3$)에서 관찰된 교차 모델 계수보다 3~5배 약한 전염 계수를 생성하여 억제 체제 (suppression regime)에 속함을 입증했습니다. 우리는 평가 위원회 (evaluator committee)의 크기를 $k=1$에서 $k=3$으로 늘리면 유효 전염이 72.4% 감소함을 보여줌으로써 실행 가능한 완화 전략을 제공합니다. 우리는 오픈 소스 Contagion Network 실험 프레임워크를 공개합니다.