[論文レビュー] Iterative Judgment Aggregation

Marija Slavkovik, Wojciech Jamroga|arXiv (Cornell University)|Apr 21, 2016

Multi-Criteria Decision Making被引用数 4

ひとこと要約

本稿では、合理的な判断のグラフ上をエージェントが移動することで距離を最小化し、合意形成をモデル化する反復的判断集約アルゴリズムを提案する。特定のグラフタイプ—特に完全グラフおよびハミングおよびモデル・アジェンダ・グラフの部分グラフ—に対して、奇数のエージェント数の場合に合意に到達する終了性を証明し、標準的な判断集約手法と比較して計算的に効率的で、同点が生じない代替手法を提供する。

ABSTRACT

Judgment aggregation problems form a class of collective decision-making problems represented in an abstract way, subsuming some well known problems such as voting. A collective decision can be reached in many ways, but a direct one-step aggregation of individual decisions is arguably most studied. Another way to reach collective decisions is by iterative consensus building -- allowing each decision-maker to change their individual decision in response to the choices of the other agents until a consensus is reached. Iterative consensus building has so far only been studied for voting problems. Here we propose an iterative judgment aggregation algorithm, based on movements in an undirected graph, and we study for which instances it terminates with a consensus. We also compare the computational complexity of our iterative procedure with that of related judgment aggregation operators.

研究の動機と目的

• 投票における使用と対照的に、判断集約における反復的合意形成手順の欠如に応える。
• エージェントが合理的な判断のグラフ上を移動することで、分散型で反復的に集団的判断に到達するアルゴリズムを構築する。
• 標準的な判断集約演算子と比較して、反復的手順の終了条件と計算量の複雑性を分析する。
• 距離に基づく集約ルール（例：中央値ルール）と比較して、得られる合意の質を検討する。
• 合意収束を保証するか、防止するかを決定するアジェンダ・グラフの構造的性質を調査する。

提案手法

• 与えられたアジェンダにおけるすべての合理的な判断を、無向グラフの頂点として表現し、論理的またはハミング距離に基づく関係で辺を結ぶ。
• 3種類のグラフタイプを定義する：完全グラフ（すべての判断が接続）、ハミンググラフ（1つの問題で異なる判断同士に辺）、モデル・アジェンダ・グラフ（論理的整合性制約に基づく）。
• 反復的アルゴリズムを実装し、各エージェントが他のエージェントの現在の判断との距離を短くできる隣接頂点に移動する。
• エージェントが他のエージェントに向かって最短経路に沿ってのみ移動することで、分散的かつ合理的な信念修正をモデル化する。
• 凸包や頂点次数といったグラフ理論的概念を用いて、終了条件を分析する。
• 手続きを判断プロファイル変換関数として形式化し、独立性および普遍ドメインの公理を緩和することで、リストの不可能性結果を回避する。

実験結果

リサーチクエスチョン

• RQ1 反復的判断集約アルゴリズムがどのような条件下で合意に到達して終了するか？
• RQ2 アジェンダ・グラフのトポロジー（例：完全、ハミング、モデル）は、反復的手順の収束にどのように影響するか？
• RQ3 奇数のエージェント数の場合に、どのような初期判断プロファイルのクラスに対して、アルゴリズムが合意を保証するか？
• RQ4 反復的アルゴリズムの計算量は、標準的な判断集約演算子と比較してどの程度か？
• RQ5 反復的アルゴリズムが到達する合意は、距離に基づく集約ルール（例：中央値ルール）の結果にどの程度近いか？

主な発見

• 奇数のエージェント数において、完全グラフ $G_{ar{A},ar{̲}}^c$ 上では、アルゴリズムは常に初期判断の集合からのみ選択して合意に到達する。
• ハミンググラフ $G_{ar{A}}^h$ およびモデル・アジェンダ・グラフ $G_{ar{A},ar{̲}}^m$ では、初期プロファイルの凸包が、すべての頂点の次数が2以下である部分グラフを誘導する場合に、アルゴリズムは合意に到達する。
• 奇数のエージェント数（3より大きい）の場合、誘導部分グラフが $k$-サイクル（$k = 2 \cdot mx_d(P^0) + 1$）であるとき、アルゴリズムは確率的に合意に到達する。
• 反復的手順は同点を回避し、特に決定不能な勝者特定問題を回避する点で、標準的判断集約手法に比べて計算上の利点を有する可能性がある。
• アルゴリズムの変換関数は、$G_{ar{A}}^h$ では独立性を、$G_{ar{A},ar{̲}}^m$ では普遍ドメインを破ることで、リストの不可能性結果を回避する。これは、非合理的な中間的判断が生じるためである。
• 得られる合意は、$d_h$-距離における中央値判断としばしば近く、広く用いられる集約ルールと強い整合性を示している。