LLM으로 에이전트 기반 모델링(ABM)의 인간 의사결정 예측을 보강하는 HALE(Hybrid Agent-based and Language-driven Epidemic) 프레임워크가 제안됐다. 기존 ABM은 수백만 개인과 상호작용을 시뮬레이션해 정책 결정에 유용하지만, 정적 사전확률에 의존해 실시간 변화에 적응하지 못하는 한계가 있었다. HALE은 LLM의 인간 의사결정 예측 능력을 ABM 시뮬레이션에 결합해 이 정보 격차를 메운다. 개념 증명으로 미국 유타주 솔트레이크 카운티의 COVID-19 확산과 영향을 시뮬레이션했다. 감염병 대응 등 정책 시뮬레이션에서 행동 변화를 동적으로 반영할 수 있는 확장 가능한 접근이라는 점이 핵심이다.
- •ABM의 정적 사전확률 한계를 LLM 기반 의사결정 예측으로 보완하는 HALE 프레임워크 제안
- •수백만 개인 규모로 확장 가능한 하이브리드 역학 모델링 구조
- •개념 증명으로 유타주 솔트레이크 카운티의 COVID-19 확산 시뮬레이션 수행
- •실시간 행동 변화를 반영하는 정책 시뮬레이션 도구로의 활용 가능성
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
LLM-powered reasoning in agent-based modeling
- 1.LLM으로 인간 의사결정을 예측해 에이전트 기반 모델에 결합한 HALE 프레임워크 제안
- 2.정적 사전확률에 의존하던 기존 ABM의 실시간 적응 한계를 LLM으로 보완
- 3.개념 증명으로 유타주 솔트레이크 카운티의 COVID-19 확산·영향 시뮬레이션 수행
왜 중요한가?
수백만 개인 단위 시뮬레이션에 LLM 기반 행동 예측을 결합하면 감염병 등 정책 시뮬레이션이 실시간 변화에 적응할 수 있어, 정책 결정 지원 도구로서 ABM의 활용도를 높인다.
언급 프로젝트
본문 미리보기
arXiv:2607.06757v1 Announce Type: new Abstract: Agent-based modeling (ABM) has the capability to model millions of individuals and their interactions, which is useful for policy making. However, ABMs have traditionally relied on static prior, which prevents the models from adapting to real-time changes. Our research provides a novel approach to addressing this information gap. Large language models (LLMs) offer new opportunities to predict human decision-making. Here, we introduce a scalable Hy
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
