AgentDropoutV2: 테스트 시점 교정 또는 거부 가지치기를 통한 다중 에이전트 시스템의 정보 흐름 최적화

다중 에이전트 시스템(Multi-Agent Systems, MAS)은 복잡한 추론 작업에서 뛰어난 역량을 발휘하지만, 개별 참여자가 생성한 잘못된 정보가 연쇄적으로 영향을 미치는 오류 전파(Error Propagation) 문제에 취약합니다. 기존의 해결책들은 주로 경직된 구조적 설계나 비용이 많이 드는 파인튜닝(Fine-tuning)에 의존하여 실제 배포 환경에서의 유연성과 적응성이 떨어졌습니다. 본 연구에서는 모델의 재학습 없이도 다중 에이전트 시스템의 정보 흐름을 동적으로 최적화할 수 있는 테스트 시점 교정 또는 거부 가지치기(Test-time Rectify-or-Reject Pruning) 프레임워크인 AgentDropoutV2를 제안합니다. 이 시스템은 능동형 방화벽(Active Firewall)처럼 작동하여 에이전트의 출력을 가로채고, 실패 기반 지표 풀(Failure-driven Indicator Pool)을 참조하는 검색 증강 교정기(Retrieval-augmented Rectifier)를 통해 오류를 반복적으로 수정합니다. 특히 증류된 실패 패턴(Distilled Failure Patterns)을 사전 지식으로 활용하여 잠재적 오류를 정밀하게 식별합니다. 만약 출력이 복구 불가능하다고 판단되면, 오류 확산을 막기 위해 해당 정보를 가지치기(Pruning)하고 폴백 전략(Fallback Strategy)을 가동하여 시스템의 안정성을 유지합니다. 수학 벤치마크 실험 결과, AgentDropoutV2는 평균 6.3%포인트의 정확도 향상을 기록하며 성능 우위를 입증했습니다. 또한 작업 난이도에 따른 동적 교정과 문맥 인식 지표를 통해 다양한 오류 패턴에 대응하는 강력한 적응력을 보여주었습니다.