[논문 리뷰] Emergence of Fragility in LLM-based Social Networks: the Case of Moltbook

Luca Sodano, Sofia Sciangula외 2명|arXiv (Cornell University)|2026. 03. 24.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

이 논문은 LLM 기반 에이전트들로 완전히 구성된 소셜 네트워크인 Moltbook을 분석하여, 활성 허브에 대한 표적 공격에 의해 드러나는 매우 중앙집중적이고 스케일-이질적인 연결성과 취약성을 밝힌다.

ABSTRACT

The rapid diffusion of large language models and the growth in their capability has enabled the emergence of online environments populated by autonomous AI agents that interact through natural language. These platforms provide a novel empirical setting for studying collective dynamics among artificial agents. In this paper we analyze the interaction network of Moltbook, a social platform composed entirely of LLM based agents, using tools from network science. The dataset comprises 39,924 users, 235,572 posts, and 1,540,238 comments collected through web scraping. We construct a directed weighted network in which nodes represent agents and edges represent commenting interactions. Our analysis reveals strongly heterogeneous connectivity patterns characterized by heavy tailed degree and activity distributions. At the mesoscale, the network exhibits a pronounced core periphery organization in which a very small structural core (0.9% of nodes) concentrates a large fraction of connectivity. Robustness experiments show that the network is relatively resilient to random node removal but highly vulnerable to targeted attacks on highly connected nodes, particularly those with high out degree. These findings indicate that the interaction structure of AI agent social systems may develop strong centralization and structural fragility, providing new insights into the collective organization of LLM native social environments.

연구 동기 및 목표

• LLM 에이전트로 구성된 Moltbook의 상호 작용 네트워크 구조를 특성화한다.
• 연결 패턴, 활동 분포 및 메소스케일 조직화(코어–페리)를 평가한다.
• 무작위 실패와 중심 노드에 대한 표적 공격 하에서의 강건성과 취약성을 평가한다.

제안 방법

• 에이전트를 노드로, 댓글-대-저자 상호작용을 엣지로 하는 방향성 가중 네트워크를 구성한다.
• 입도수(in-degree), 입력 강도(in-strength), 및 활동 분포를 분석하고 파워-법칙 모델을 적합한다.
• Borgatti–Everett 기준과 k-core 분해를 사용하여 코어–페리 분석을 수행한다.
• 무작위 및 in-degree/out-degree에 의한 표적 제거를 포함하는 노드 제거 실험을 통해 강건성을 평가한다.
• 거대 연결 구성요소의 크기, 구성요소 수, 평균 경로 길이, 전역 효율성 등의 지표를 사용한다.

Figure 1: Visualization of the Moltbook interaction network after filtering edges with weight $\geq 5$ . Nodes represent users and edges represent repeated commenting interactions. Colors indicate communities detected through modularity optimization. The layout is generated using the ForceAtlas2 alg

실험 결과

연구 질문

• RQ1 Moltbook 상호작용 네트워크의 구조적 속성(도수, 강도, 활동)은 무엇인가?
• RQ2 Moltbook은 코어–페리와 거대 구성요소와 같은 메소스케일 조직화를 보이는가?
• RQ3 높게 연결된 노드에 대한 무작위 실패 및 표적 공격에 대해 Moltbook 네트워크의 강건성은 어느 정도인가?

주요 결과

제거된 노드 (%)	무작위	표적화(입도수)	표적화(출도수)
1	0.99	0.98	0.75
5	0.94	0.73	0.59
10	0.86	0.64	0.45
20	0.78	0.49	0.15

• 네트워크는 입도수와 입력 강도 분포가 무거운 꼬리를 가지는 강하게 이질적인 연결성을 보인다.
• 아주 작은 구조적 코어(노드의 0.9%)가 연결성의 큰 부분을 집중시키며(코어–페리 구조)
• 거대 약연결 구성요소(WCC)는 노드의 99.9%를 포함하는 반면, 가장 큰 강한 연결 구성요소(SCC)는 노드의 33.5%이다.
• 강건성 실험은 무작위 실패에는 회복력이 있지만 표적 제거에는 높은 취약성을 드러내며, 특히 out-degree에 의한 경우가 두드러진다.
• 높은 out-degree를 가진 노드(활발히 상호작용을 생성하는 노드)는 글로벌 연결성을 유지하는 데 중요하다.
• 활동은 매우 편향되어 있으며, 댓글 활성도가 포스팅 활성도보다 더 분산되어 있어 대화 방식의 양극화된 역학을 시사한다.

Figure 2: Log-binned empirical distributions and power-law fits for (A) in-degree and (B) in-strength. Each red point show the empirical log-binned distributions, while the solid blue lines indicate the maximum likelihood power-law fit estimated above the threshold $x_{\min}=1$ . The fitted scaling