대형 언어 모델을 이용한 다중 에이전트 가상 플레이로 의사결정 강화
개요
대규모 언어 모델(LLM) 기반 다중 에이전트 시스템(MAS)은 실행 복잡성을 해결하는 데 협력적인 에이전트 간 서브태스크를 분산함으로써 큰 잠재력을 보여주고 있습니다. 그러나 이 divide-and-conquer 패러다임은 실제 세계에서도 흔히 나타나는 의사결정 작업에서는 부족합니다. 이러한 작업들은 관련된 이해관계자들의 입장을 동시에 고려해야 하며, 그들의 결정이 서로 의존하고 있어 고립된 채 해결할 수 없습니다. 우리는 이를 stance entanglement(상태 얽힘)이라고 characterizing(특징화)하며, 이는 실행 복잡성과 구분되는 독특한 의사결정 복잡성의 형태라고 설명합니다.
이를 해결하기 위해 우리는 다중 에이전트 가상 플레이(MAFP)라는 새로운 MAS 패러다임을 제안합니다. 이 접근법은 이해관계자의 입장을 개별 에이전트로 표현하고, 의사결정을 균형 탐색 과정으로 형식화합니다.
가상 플레이 원칙을 게임 이론적 기반으로 삼아, MAFP는 다른 에이전트의 과거 결정을 실증적으로 혼합한 것을 바탕으로 각 에이전트가 최선의 회응을 하여 반복적으로 업데이트합니다. 이를 통해 에이전트들은 서로의 약점을 파악하고 보완함으로써 점진적으로 의사결정 품질과 견고성을 향상시킵니다.
우리는 MAFP를 실제 행동 이전에 경쟁적인 시나리오에 대한 전략을 결정하는 데 테스트하는 도전적인 의사결정 작업들에 적용하여 평가합니다. MAFP는 단일 라운드와 다중 라운드 베이스라인 모두를 두 보완적인 지표인 토너먼트 강도와 견고성 측면에서 초월합니다. 이는 stance entanglement을 해결하는 데 효과적임을 보여줍니다.
주요 기여
이 논문은 다음 분야를 다룹니다:
- cs.CL
- cs.MA
방법론
자세한 방법론은 논문의 전체 버전을 참고하십시오.
실용적 함의
본 연구는 cs.CL 분야의 발전에 기여합니다.
저자들
- Leyang Shen
- Yang Zhang
- Xiaoyan Zhao
- Chun Kai Ling
- Tat-Seng Chua
논문 정보
- arXiv ID: 2606.19308v1
- 카테고리: cs.CL, cs.MA
- 발행일: 2026년 6월 17일
- PDF: PDF 다운로드