HAG: 주제 적응형 시뮬레이션을 위한 계층적 인구 통계 트리 기반 에이전트 생성

HAG: Hierarchical Demographic Tree-based Agent Generation for Topic-Adaptive Simulation

다양한 도메인 전반에서 신뢰성 있는 에이전트 기반 모델링을 수행하기 위해서는 고충실도의 에이전트 초기화가 필수적입니다. 견고한 프레임워크는 주제 적응형(Topic-Adaptive)이어야 하며, 미시적 수준의 개인 합리성을 보장하는 동시에 거시적 수준의 결합 분포를 포착할 수 있어야 합니다. 기존의 접근 방식은 데이터에 존재하지 않는 새로운 주제에 적응하지 못하는 정적 데이터 기반 검색 방법과, 거시적 수준의 분포 인식이 부족하여 미시적 페르소나 속성과 현실 간의 불일치를 초래하는 LLM 기반 생성 방법의 두 가지로 나뉩니다. 이러한 문제를 해결하기 위해, 우리는 인구 생성을 2단계 의사 결정 과정으로 공식화한 계층적 에이전트 생성 프레임워크인 HAG를 제안합니다. 첫째, 세계 지식 모델(World Knowledge Model)을 활용해 계층적 조건부 확률을 추론하여 주제 적응형 트리(Topic-Adaptive Tree)를 구축함으로써 거시적 수준의 분포 정렬을 달성합니다. 그 후 실제 데이터에 기반한 인스턴스화 및 에이전트 증강을 수행하여 미시적 수준의 일관성을 확보합니다. 전문적인 평가 기준의 부재를 해결하기 위해 다중 도메인 벤치마크와 포괄적인 PACE 평가 프레임워크도 수립했습니다. 광범위한 실험을 통해 HAG가 대표적인 베이스라인들을 크게 능가함을 확인했으며, 인구 정렬 오류를 평균 37.7% 감소시키고 사회학적 일관성을 18.8% 향상시켰습니다.

High-fidelity agent initialization is crucial for credible Agent-Based Modeling across diverse domains. A robust framework should be Topic-Adaptive, capturing macro-level joint distributions while ensuring micro-level individual rationality. Existing approaches fall into two categories: static data-based retrieval methods that fail to adapt to unseen topics absent from the data, and LLM-based generation methods that lack macro-level distribution awareness, resulting in inconsistencies between micro-level persona attributes and reality. To address these problems, we propose HAG, a Hierarchical Agent Generation framework that formalizes population generation as a two-stage decision process. Firstly, utilizing a World Knowledge Model to infer hierarchical conditional probabilities to construct the Topic-Adaptive Tree, achieving macro-level distribution alignment. Then, grounded real-world data, instantiation and agentic augmentation are carried out to ensure micro-level consistency. Given the lack of specialized evaluation, we establish a multi-domain benchmark and a comprehensive PACE evaluation framework. Extensive experiments show that HAG significantly outperforms representative baselines, reducing population alignment errors by an average of 37.7% and enhancing sociological consistency by 18.8%.