CAMO: An Agentic Framework for Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations
Created by
Haebom
Category
Empty
저자
Xiangning Yu, Yuwei Guo, Yuqi Hou, Xiao Xue, Qun Ma
💡 개요
LLM 에이전트 시뮬레이션에서 발생하는 사회적 현상(social emergence)은 에이전트 간의 복잡한 상호작용과 비선형성으로 인해 미시적 행동에서 거시적 결과로 이어지는 인과 메커니즘을 이해하기 어렵습니다. 본 논문은 이러한 문제를 해결하기 위해 LLM 에이전트 시뮬레이션에서 미시적 행동부터 거시적 출현까지의 자동화된 인과 발견 프레임워크인 CAMO를 제안합니다. CAMO는 가설을 계산 가능한 요소로 변환하고, 출현 목표에 초점을 맞춰 간결한 인과 표현을 학습하며, 해석 가능한 인과 사슬과 개입 가능한 요소를 제공합니다.
🔑 시사점 및 한계
•
LLM 에이전트 시뮬레이션의 복잡한 인과 관계를 자동화된 방식으로 발견하고 해석할 수 있는 새로운 방법론을 제시합니다.
•
시뮬레이션 데이터에 기반한 인과 발견을 통해 사회적 출현 현상의 이해를 심화시키고, 예측 및 제어 가능성을 높입니다.
•
CAMO가 탐색할 수 있는 인과적 가설의 종류 및 복잡성에 대한 탐구가 필요하며, 실제 복잡한 사회 시스템에 적용 시 발생하는 계산적, 이론적 한계점에 대한 추가 연구가 필요합니다.
