구축 방법 — 발신원 추적 · v1.0 · 2026-10-27

시뮬레이션 정보 창의 내용을 개조식으로 정리한 레퍼런스입니다.

■ 방법

학습 모델: 직접 학습한 작은 신경망 4개가 플레이어와 같은 공개 단서로 후보에 점수를 매김. 사건은 규칙 시뮬레이션으로 생성
관계 추적: PyG GraphSAGE 4층 · hidden 48 · 파라미터 27,233 · 입력은 관찰 여부·관찰된 인지 상태·정규화 차수·관찰 단계·전파 확률·연락망
이미지 감식: CNN Conv2d 3층(12→24→32채널) · 파라미터 10,713 · 입력은 원본·제출본·절대 차이 3채널(40×40)
시간 추적: Embedding 24 + LSTM hidden 48 1층 · 파라미터 15,817 · 입력은 작업 종류·파일 토큰 순서(최대 20)
진술 분석: Transformer Encoder 2층 · 4 heads · embedding 48 · 파라미터 42,929 · 입력은 기록+진술 토큰(최대 40)
직접 학습 · CPU · PyTorch 2.10.0+cpu, PyG 2.8.1 · GNN 35 epochs(검증으로 32 선택) 실행 20261023T141451Z · CNN 15 / LSTM 15 / Transformer 40 epochs 실행 20261024T033528Z
LLM 없음. 화면 문장은 코드의 고정 문장·템플릿, 점수는 학습한 모델이 계산
실행 위치: 브라우저. 사건 생성과 네 모델의 계산을 JS로 옮겨 이 페이지 안에서 돌림(서버 없음). 가중치는 PyTorch 학습 결과 그대로이며, 같은 입력에서 PyTorch와 점수(logit) 차이 최대 약 2.5×10⁻⁶
후보 제외 규칙(정보 미인지, 관찰 단계 안에 인지자 모두에게 닿지 못함)은 모델·거리 기준·무작위에 똑같이 적용

■ 데이터

관계망·확산: 자체 생성 합성 무방향 그래프 + 동기식 SI 확산 · 학습 4,800 / 검증 600 / 혼합 조건 평가 900 / 기본 조건 평가 600 그래프
이미지·접근 로그·연구실 문장: 자체 생성 합성 · 모델마다 학습 1,500사건(7,500개 자료) / 검증 150 / 평가 300사건
인물 16명·사건 3종·SVG 초상화 16장: 손으로 작성한 가상 설정 · 모델 입력에는 쓰지 않음
성격: 합성. 분할마다 시드 범위를 나누고 기저 그래프·공개 사건 해시 중복 검사
사용자 입력 저장: 없음. 고른 답과 사건은 브라우저 탭 안에만 있고 새로고침하면 사라짐

■ 검증

측정 조건: 이 페이지의 브라우저 엔진이 새로 만든 사건, 첫 후보 정답률(Top-1). 동점은 무작위로 고른다고 보고 기댓값
관계 추적, 게임 기본 조건 9,000개(난이도별 3,000)
입문·8명: GraphSAGE 60.8% / 거리 기준 51.3% / 무작위 37.0%
보통·12명: 46.7% / 34.2% / 18.3%
도전·16명: 43.8% / 28.3% / 15.5%
혼합 조건 900개: Top-1 47.9% (거리 기준 37.3%, 무작위 24.5%) · Top-3 85.6%
이미지·시간·진술: 모드마다 300사건(난이도별 100), 이상 단서 1건 Top-1
CNN: 입문 100% / 보통 100% / 도전 100% (무작위 25% / 20% / 16.7%)
LSTM: 100% / 100% / 100% (무작위 25% / 20% / 16.7%)
Transformer: 100% / 99.0% / 98.0%, 전체 99.0% (무작위 25% / 20% / 16.7%)
학습·검증·평가 분리함: 학습·검증은 PyTorch 쪽 생성기(시드 0–1,499 / 100,000–100,149), 평가는 브라우저 생성기의 별도 시드. 연습 사건은 평가에서 뺌
두 생성기가 같은 분포인지 확인: 난이도별 2,000사건씩 돌려 GraphSAGE·거리 기준·무작위 정답률과 평균 후보 수가 약 1%p 안에서 같음
세 모드는 같은 합성 규칙·어휘 안의 평가라 신경망 종류끼리 우열 비교에 쓰지 않음
점수는 사건 안 후보 사이 softmax 상대값이며 보정된 확률이 아님
난이도별 인원·단서 수·전파 확률·변경 영역 크기는 정한 값

■ 범위

관계 추적: 관계망 8·12·16명, 단서 약 50~100%, 전파 2~4단계, 전파 확률 35~65%, 추가 연결 0~(인원÷3)
이미지 감식: 40×40 합성 형광 이미지, 변경 영역 13·11·9픽셀(정한 값), 밝기 ±15%와 약한 잡음
시간 추적: 파일 1~2개, 승인·취소·재승인이 섞인 로그, 기록 최대 20개
진술 분석: 파일 4종·작업 4종·시각 8종, 문장 형식 1~3종

■ 출처

논문: Hamilton, W. L., Ying, R., & Leskovec, J. (2017). Inductive representation learning on large graphs. NeurIPS.
논문: LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE.
논문: Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation.
논문: Vaswani, A. et al. (2017). Attention is all you need. NeurIPS.
소프트웨어: PyTorch 2.10.0 · BSD-3-Clause · https://pytorch.org
소프트웨어: PyTorch Geometric 2.8.1 · MIT · https://pyg.org
데이터: 외부 데이터 없음(모두 자체 생성)

■ 이력

2026-10-27 · v1.0 · 공개

How it's built — Trace the Source · v1.0 · 2026-10-27

A bullet-point reference version of the “About the simulation” panel.

■ Method

Trained models: four small neural networks trained here score the candidates using the same public clues as the player. Cases come from a rule-based simulation
Relationships: PyG GraphSAGE, 4 layers · hidden 48 · 27,233 parameters · inputs: observed or not, observed knowing state, normalised degree, observation step, pass-on probability, contact network
Image forensics: CNN, 3 Conv2d layers (12→24→32 channels) · 10,713 parameters · input: original, submitted and absolute difference as 3 channels (40×40)
Timeline: Embedding 24 + one LSTM layer, hidden 48 · 15,817 parameters · input: action-type and file tokens in order (up to 20)
Statements: Transformer encoder, 2 layers · 4 heads · embedding 48 · 42,929 parameters · input: record + statement tokens (up to 40)
Trained here · CPU · PyTorch 2.10.0+cpu, PyG 2.8.1 · GNN 35 epochs (epoch 32 chosen on validation) run 20261023T141451Z · CNN 15 / LSTM 15 / Transformer 40 epochs run 20261024T033528Z
No LLM. On-screen text is fixed sentences and templates in the code; scores come from the trained models
Where it runs: in the browser. Case generation and all four models were ported to JS and run inside this page (no server). Weights are the PyTorch training results, unchanged; on identical inputs the scores (logits) differ from PyTorch by at most about 2.5×10⁻⁶
The exclusion rule (didn't know; can't reach everyone who knew within the number of steps) is applied identically to the model, the distance rule and random

■ Data

Networks and spread: synthetic undirected graphs + synchronous SI spread, generated here · training 4,800 / validation 600 / mixed-condition test 900 / default-condition test 600 graphs
Images, access logs and lab sentences: synthetic, generated here · per model training 1,500 cases (7,500 items) / validation 150 / test 300 cases
16 people, 3 case stories and 16 SVG portraits: written by hand, fictional · not used as model inputs
Nature: synthetic. Seed ranges are split per partition, with duplicate checks on graph and public-case hashes
Stored user input: none. Your answers and the case exist only in the browser tab and disappear on reload

■ Validation

Conditions: new cases made by this page's in-browser engine, top-candidate accuracy (Top-1), with ties counted as a random pick (expected value)
Relationships, 9,000 cases at the game's default settings (3,000 per difficulty)
Intro · 8 people: GraphSAGE 60.8% / distance rule 51.3% / random 37.0%
Standard · 12 people: 46.7% / 34.2% / 18.3%
Challenge · 16 people: 43.8% / 28.3% / 15.5%
Mixed conditions, 900 cases: Top-1 47.9% (distance rule 37.3%, random 24.5%) · Top-3 85.6%
Image, timeline and statement modes: 300 cases per mode (100 per difficulty), Top-1 for the single anomaly
CNN: Intro 100% / Standard 100% / Challenge 100% (random 25% / 20% / 16.7%)
LSTM: 100% / 100% / 100% (random 25% / 20% / 16.7%)
Transformer: 100% / 99.0% / 98.0%, overall 99.0% (random 25% / 20% / 16.7%)
Training, validation and test are separated: training and validation used the PyTorch-side generator (seeds 0–1,499 / 100,000–100,149); testing used separate seeds from the browser generator. Practice cases are excluded
Same distribution check: with 2,000 cases per difficulty, GraphSAGE, distance-rule and random accuracy and the mean number of candidates agree within about 1 point between the two generators
The three modes are tested within the same synthetic rules and vocabulary, so they are not used to rank network types
Scores are softmax values relative to the other candidates in a case, not calibrated probabilities
Group sizes, clue counts, pass-on probabilities and altered-area sizes per difficulty are set values

■ Scope

Relationships: networks of 8, 12 or 16 people, about 50–100% of statements, 2–4 spread steps, pass-on probability 35–65%, 0 to (people ÷ 3) extra links
Image forensics: 40×40 synthetic fluorescence images, altered area 13, 11 or 9 pixels (set values), brightness ±15% and slight noise
Timeline: 1–2 files, logs mixing approval, revocation and re-approval, up to 20 entries
Statements: 4 files, 4 actions, 8 times, 1–3 sentence patterns

■ Sources

Paper: Hamilton, W. L., Ying, R., & Leskovec, J. (2017). Inductive representation learning on large graphs. NeurIPS.
Paper: LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE.
Paper: Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation.
Paper: Vaswani, A. et al. (2017). Attention is all you need. NeurIPS.
Software: PyTorch 2.10.0 · BSD-3-Clause · https://pytorch.org
Software: PyTorch Geometric 2.8.1 · MIT · https://pyg.org
Data: no external data (all generated here)

■ History

2026-10-27 · v1.0 · Released