[論文レビュー] Forming Probably Stable Communities with Limited Interactions

Ayumi Igarashi, Jakub Śliwiński+1 more|arXiv (Cornell University)|Nov 12, 2018

Game Theory and Voting Systems参考文献 10被引用数 4

ひとこと要約

本稿は、限定的な相互作用を有する相互作用ネットワークによってモデル化された、おそらく近似的に安定（PAC安定）なコミュニティ構造を学習する統計的フレームワークを提案する。PAC安定性が、かつてその相互作用ネットワークが森（forest）である場合に限り、有効に達成可能であることを証明し、完全な好みの知識がなくても、構造的制約がデータから安定した団結形成を可能にする条件をきめ細やかに特定する。

ABSTRACT

A community needs to be partitioned into disjoint groups; each community member has an underlying preference over the groups that they would want to be a member of. We are interested in finding a stable community structure: one where no subset of members $S$ wants to deviate from the current structure. We model this setting as a hedonic game, where players are connected by an underlying interaction network, and can only consider joining groups that are connected subgraphs of the underlying graph. We analyze the relation between network structure, and one's capability to infer statistically stable (also known as PAC stable) player partitions from data. We show that when the interaction network is a forest, one can efficiently infer PAC stable coalition structures. Furthermore, when the underlying interaction graph is not a forest, efficient PAC stabilizability is no longer achievable. Thus, our results completely characterize when one can leverage the underlying graph structure in order to compute PAC stable outcomes for hedonic games. Finally, given an unknown underlying interaction network, we show that it is NP-hard to decide whether there exists a forest consistent with data samples from the network.

研究の動機と目的

• プレイヤーの好みが不明であるが、ネットワーク構造によって相互作用が制限される状況において、安定したコミュニティを形成する課題に対処すること。
• 相互作用データからの統計的学習が、ヘドニックゲームにおけるPAC安定な団結構造をもたらすかどうかを調査すること。
• PAC安定な結果が有効に計算可能となる構造的条件——特に、相互作用グラフの役割——を同定すること。
• 観測されたデータサンプルから一貫性のある相互作用ネットワーク構造を学習する計算複雑性、特に真のグラフが未知である場合を検討すること。

提案手法

• 団結形成を、連結な団結のみが可能なグラフによって制約されたヘドニックゲームとしてモデル化する。
• おそらく近似的に正しい（PAC）安定性に基づく統計的学習フレームワークを導入し、団結好みのサンプルを用いて安定な分割を推定する。
• 相互作用ネットワークが森である場合、PAC安定な結果は多項式回のサンプルで計算可能であることを証明する。
• （3,B2）-SATへの還元を用いて、相互作用グラフにサイクルが含まれる場合、無限のサンプルが与えられてもPAC安定な結果を保証できないことを示す。
• 新しい学習理論的アプローチを用いて、データから森構造の相互作用ネットワークを推定し、一貫性のある森の学習がNP困難であるが、通信複雑性は低いことを示す。
• 構造的グラフ理論と好みモデリングを用いて、PAC安定化のための森条件の必要性を示すハードネスインスタンスを構築する。

実験結果

リサーチクエスチョン

• RQ1 ヘドニックゲームにおいて、データからPAC安定な団結構造を効率的に学習できる相互作用ネットワークの構造的条件は何か？
• RQ2 プレイヤーの好みが不明であるが、グラフによって相互作用が制限される場合、PAC安定性を保証することは可能か？
• RQ3 観測されたデータサンプルと整合する森構造の相互作用ネットワークを学習する計算複雑性は何か？
• RQ4 大きな数のサンプルが利用可能であっても、元の相互作用グラフにサイクルが含まれる場合、PAC安定な結果を達成できるか？
• RQ5 相互作用ネットワークに森構造が存在する場合、完全な好みの収集なしに、安定なコミュニティ分割を効率的に推定できるメカニズムは何か？

主な発見

• PAC安定な結果は、かつてその相互作用ネットワークが森である場合に限り、効率的に計算可能であり、計算可能な安定性のきめ細やかな特徴付けを確立する。
• 真の森構造が不明であってもPAC安定化が成立するため、正確なネットワークを特定しなくても、データから安定な結果を学習可能である。
• 相互作用グラフに1つのサイクルが存在する場合、サンプル数にかかわらずPAC安定性を保証することは不可能であり、構造的制限が本質的である。
• 観測されたデータサンプルと整合する森構造の学習は、連結および非連結な団結が観測されてもNP困難である。
• 一貫性のある森構造を学習する通信複雑性は低いため、理論的困難さにもかかわらず、強力な最適化ツールを用いた実用的妥当性が示唆される。
• 本フレームワークは、好みの基数的効用表現を必要としないため、数値的効用モデルに依存する従来の手法よりも一般性と現実性が高くなっている。