문제 제기: LLM Multi-Agent System의 창발적 위험최근 LLM Agent는 단일 Agent를 넘어, 여러 Agent가 협업하는 Multi-Agent System(MAS) 형태로 빠르게 확장Collaborative Software EngineeringMarket SimulationScientific Discovery 등 복잡한 Task에 활용하지만 여러 Agent가 상호작용하면서 개별 Agent 수준에서는 관찰되지 않던 새로운 위험이 발생할 수 있음논문에서는 이를 Emergent Risk(창발적 위험)로 정의단순한 개별 모델의 오류가 아니라, Agent 간 상호작용 자체에서 발생하는 시스템 수준의 위험이러한 위험은 다양한 상호작용 조건에 의해 발생Communication Structure:..
[논문 요약] AMAN: Agent for Mentoring and Assisting Newbies in MMORPG
출판 정보Published in: International Conference on Computational LinguisticsAffiliation: Sogang Univeristy, Seoul National University of Science & Technology, Seoul National University 연구 배경"게임 지식을 학습한 LLM을 ‘고인물 멘토’처럼 만들어 초보자 경험을 개선하려는 흐름"전통적 접근법(1) 커뮤니티 기반공략 글, Q&A, 포럼 검색문제:정보 파편화최신성 부족초보자 접근성 낮음 (슬랭도 많고, 설명도 불친절)정보 신뢰도 편차 큼(2) 룰 기반 / 스크립트 기반 시스템FAQ, 정적 가이드문제:유연성 부족개인화 어려움LLM 등장LLM은:자연어 이해 + 설명 능력 ..
[논문 요약] Enhancing Large Language Models for Mobility Analytics with Semantic Location Tokenization
출판 정보Published in: ACM SIGKDD Conference on Knowledge Discovery and Data MiningAffiliation: NTS, Southern University of Science and Technology 1. 연구 배경모빌리티 데이터스마트폰 GPS, 통신사 기지국, 체크인 서비스(Foursquare 등)에서 대규모로 수집됨응용: 위치 추천(Location Recommendation), 도시 모니터링(Urban Monitoring), 교통 관리, 사용자 이동 패턴 이해추천 시스템 (예: 위치 추천, 광고 타겟팅)도시 관리/모니터링 (교통, 인구 이동 파악)전통적 접근법통계적 모델: 마르코프 체인, 매트릭스 분해딥러닝 모델: RNN, LSTM, Trans..