Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Herd Behavior: Investigating Peer Influence in LLM-based Multi-Agent Systems

Created by
  • Haebom

저자

Young-Min Cho, Sharath Chandra Guntuku, Lyle Ungar

개요

본 논문은 대규모 언어 모델(LLM) 기반의 다중 에이전트 시스템에서 나타나는 동조 행동(herd behavior)을 연구합니다. LLM 에이전트들이 공유 환경에서 상호 작용하고 협력하며 의사 결정을 내리는 과정에서, 개별 모델의 행동보다는 동료의 영향에 따른 동조 현상에 초점을 맞춥니다. 통제된 실험을 통해 자기 확신과 동료에 대한 인식된 확신 간의 차이, 동료 정보 제시 방식, 그리고 동조 행동의 정도가 협업 결과에 미치는 영향을 분석합니다. 결과적으로 동조 행동은 여러 요인에 의해 형성되며, 적절히 조정된 동조 경향은 협업 결과를 향상시킬 수 있음을 보여줍니다. 이 연구는 LLM 기반 시스템의 사회적 역학에 대한 새로운 통찰력을 제공하고, 보다 효과적이고 적응적인 다중 에이전트 협업 프레임워크를 설계하기 위한 방향을 제시합니다.

시사점, 한계점

시사점:
LLM 기반 다중 에이전트 시스템에서 동조 행동의 중요성과 그 메커니즘을 규명했습니다.
자기 확신과 타인의 인식된 확신 간의 차이가 동조 행동에 미치는 영향을 밝혔습니다.
동료 정보 제시 방식이 동조 행동 강도를 조절하는 중요한 요소임을 밝혔습니다.
동조 행동의 정도를 체계적으로 제어하여 협업 결과를 향상시킬 수 있는 가능성을 제시했습니다.
LLM 기반 시스템의 사회적 역학에 대한 이해를 심화시켰습니다.
한계점:
실험 환경이 특정 조건에 국한되어 실제 환경에서의 일반화 가능성에 대한 추가 연구가 필요합니다.
다양한 유형의 LLM과 에이전트 상호 작용에 대한 추가적인 실험이 필요합니다.
동조 행동의 장기적인 영향과 그에 따른 부정적인 측면에 대한 연구가 부족합니다.
제시된 방법론의 실제 시스템 적용 및 확장성에 대한 검증이 필요합니다.
👍