Diversity Collapse in Multi-Agent LLM Systems: Structural Coupling and Collective Failure in Open-Ended Idea Generation

개방형 아이디어 발상을 위한 멀티 에이전트 LLM 시스템은 에이전트 역할이 서로 다른데도 상호작용이 의도치 않게 해 공간을 좁히는 다양성 붕괴를 자주 겪는다.

개방형 아이디어 발상을 위한 멀티 에이전트 LLM 시스템은 에이전트 역할이 서로 다른데도 상호작용이 의도치 않게 해 공간을 좁히는 다양성 붕괴를 자주 겪는다. 이 연구는 모델 정렬, 에이전트 권한 구조, 통신 토폴로지 같은 요인이 어떻게 이 문제에 기여하는지를 체계적으로 규명하며, 특정 상호작용 설계를 통해 독립성을 보존하면 아이디어 다양성을 유지할 수 있음을 보인다.

핵심 요약

• 멀티 에이전트 LLM 시스템이 복잡하고 창의적인 과제에서 아이디어 다양성을 본질적으로 넓혀 준다는 가정은 아직 거의 검증되지 않았다.
• MAS에서 서로 다른 역할이 부여되더라도 기반 LLM이 동질적이면, 진정한 참신함을 도입하기보다 공유된 사전학습 편향을 증폭시키는 경우가 많아 계산 비효율과 조기 수렴을 초래한다.
• 탐색적 영역에서 아이디어 다양성이 부족하면 사용자가 좁은 해 공간에 갇혀, 최적이 아닌 해에 과신하게 되고 비관습적 가설이 억제될 수 있다.
• 과학 연구 제안서 생성을 과제로 삼아 체계적 실증 연구를 수행했으며, 모델 지능, 에이전트 인지, 시스템 동역학의 세 수준에서 다양성을 평가했다.
• 역할 인스턴스화, 지정된 토폴로지를 사용하는 반복적 숙의, 에디터 에이전트에 의한 제안 종합으로 이루어진 범용 3단계 멀티 에이전트 발상 파이프라인을 개발했다.
• 네 가지 상호 보완적 지표(예: Vendi Score, Semantic Dispersion)로 다양성을 정량화하고, 다양한 에이전트 페르소나, 그룹 규모, 그리고 Nominal Group Technique(NGT)·Subgroups 같은 통신 토폴로지를 변화시키며 해법을 탐색했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.