전염 네트워크: 멀티 에이전트 LLM 시스템에서 평가자 편향의 전파

Contagion Networks: Evaluator Bias Propagation in Multi-Agent LLM Systems

대규모 언어 모델(LLM)이 멀티 에이전트 시스템에서 평가자로 사용될 때, 이들의 체계적인 평가 편향이 에이전트 네트워크 전체로 전파됩니다. 본 연구에서는 '전염 네트워크'라는 공식 프레임워크를 통해 이러한 평가자 편향이 상호 작용하는 LLM 에이전트 간에 어떻게 확산되는지 측정합니다. DeepSeek-chat 모델을 사용하여 세 가지 서로 다른 평가자 편향 프로필(구조화, 균형, 증거 기반)을 가진 3개의 에이전트를 대상으로 실험을 진행한 결과, Cross-Agent Contagion Matrix인 Gamma_3를 측정하여 평가자 편향이 일관적으로 에이전트 간에 전파되는 것을 확인했습니다 (gamma는 [0.157, 0.352] 범위). 세 가지 전파 메커니즘을 식별하고, 이는 스펙트럴 반지름 rho(Gamma_N)에 의해 결정됩니다. 동일한 모델을 사용하는 에이전트는 이종 모델 간의 에이전트에서 관찰되는 전염 계수보다 3~5배 약한 전염 계수를 나타내며, 이는 '억제' 단계에 해당합니다 (MM-EPC: gamma approx 0.85-1.3). 평가자 위원회 규모를 k=1에서 k=3으로 늘리면 효과적인 전염을 72.4% 감소시켜 실질적인 완화 전략을 제시합니다. 본 연구에서는 '전염 네트워크' 실험 프레임워크를 오픈 소스로 공개합니다.

When large language models serve as evaluators in multi-agent systems, their systematic evaluation biases propagate through the agent network. We introduce Contagion Networks, a formal framework for measuring how evaluator biases spread across interacting LLM agents. In a controlled 3-agent experiment using DeepSeek-chat with three distinct evaluator bias profiles (structured, balanced, evidence-based), we measure the Cross-Agent Contagion Matrix Gamma_3 and find that evaluator biases consistently propagate between agents (gamma in [0.157, 0.352]), even within the same underlying model. We identify three propagation regimes governed by the spectral radius rho(Gamma_N), and demonstrate that homogeneous-model agents produce contagion coefficients 3-5x weaker than cross-model coefficients observed in prior work (MM-EPC: gamma approx 0.85-1.3), placing them in the suppression regime. We show that increasing evaluator committee size from k=1 to k=3 reduces effective contagion by 72.4%, providing an actionable mitigation strategy. We release the open-source Contagion Network experimental framework.