LLM 기반 프록시로 가속화된 선호 추출

초록

조합경매에서 입찰자의 복합 선호를 완전히 드러내는 비용을 줄이고자, 저자들은 자연어 대화를 활용하는 LLM 기반 프록시를 제안한다. 기존 DNF‑학습 프록시와 비교해 동일한 효율성을 유지하면서 질의 수를 최대 5배 감소시켰으며, 시뮬레이션 환경에서 그 유효성을 검증하였다.

상세 분석

본 논문은 조합경매(combinatorial auction)에서 입찰자가 보유한 고차원 선호를 효율적으로 추출하기 위한 새로운 프록시 메커니즘을 제시한다. 전통적인 선호 추출 방법은 가치(value)·수요(demand) 질의를 활용해 프로퍼 학습(proper learning) 이론에 기반한 DNF(Disjunctive Normal Form) 모델을 점진적으로 구축한다. 이러한 접근은 이론적으로 다항식 질의 복잡도를 보장하지만, 실제 인간 입찰자가 매 질의마다 인지적 부담을 겪어 실용성이 제한된다.

저자들은 이 문제를 자연어 처리 능력이 뛰어난 대형 언어 모델(LLM)을 프록시에 통합함으로써 해결한다. LLM 프록시는 두 가지 핵심 역할을 수행한다. 첫째, 입찰자와 자연어 형태로 질의·응답을 주고받아 선호 정보를 수집한다. 둘째, 수집된 대화 기록과 현재까지 추정된 XOR‑입찰(atomic bundle + valuation) 정보를 바탕으로 DNF‑학습 알고리즘을 보조한다. 즉, LLM은 기존 프로퍼 학습이 요구하는 구조화된 질의를 자동으로 생성하고, 응답을 해석해 새로운 원자 번들을 식별하거나 기존 번들의 가치를 업데이트한다.

논문은 세 가지 LLM 프록시 설계를 제안한다. ‘Drop‑in’ 프록시는 기존 DNF 프록시와 동일한 인터페이스(가치·수요 질의)만을 사용하면서 내부적으로 LLM을 이용해 원자 번들을 더 효율적으로 탐색한다. ‘Hybrid’ 프록시는 자연어 질의를 추가로 허용해 입찰자의 선호를 직접 서술하도록 유도하고, 이를 기반으로 DNF 모델을 보강한다. 마지막으로 ‘Simulation‑LLM’은 실험 단계에서 입찰자를 모방하는 별도 LLM을 사용해 인간 응답을 재현함으로써 반복 가능한 벤치마크 환경을 제공한다.

실험은 CECA(Competitive Equilibrium Combinatorial Auction) 프레임워크 내에서 진행된다. 경매자는 각 프록시에게 현재 추정된 XOR‑입찰을 받아 경쟁 균형을 계산하고, 불만족 입찰자에게 추가 질의를 요구한다. LLM 프록시는 대화 기록을 지속적으로 업데이트하며, 새로운 원자 번들을 찾을 때는 기존 DNF 알고리즘이 요구하는 O(n) 가치 질의 대신 LLM이 제시하는 후보 번들을 검증한다. 결과적으로, 가장 성능이 좋은 LLM 프록시는 동일한 사회복지(총 가치) 수준을 달성하면서도 질의 수를 5배 가량 절감한다. 이는 LLM이 인간 친화적인 인터페이스를 제공함과 동시에 학습 효율성을 크게 향상시킬 수 있음을 입증한다.

한계점으로는 현재 실험이 모두 시뮬레이션 기반이며, 실제 인간 입찰자를 대상으로 한 사용자 연구가 부족하다는 점이다. 또한 LLM의 응답 일관성 및 편향 문제가 선호 추정에 미치는 영향을 정량화하지 않았다. 향후 연구에서는 실제 사용자와의 인터랙션을 통한 검증, LLM 프롬프트 최적화, 그리고 전략적 왜곡(strategic misreporting) 방지를 위한 메커니즘 설계가 필요하다.