[論文レビュー] Learning the Structure and Parameters of Large-Population Graphical Games from Behavioral Data

Jean Honorio, Luis E. Ortiz|arXiv (Cornell University)|Jun 16, 2012

Game Theory and Applications参考文献 75被引用数 1

ひとこと要約

本稿では、純戦略ナッシュ均衡を生成モデルとして用い、行動データから線形影響ゲーム（LIGs）の構造とパラメータを最尤推定フレームワークで学習する手法を提案する。一般化バウンドを確立し、凸損失最小化による妥当性を証明し、合成データおよび米国上院議会の投票記録を用いた検証により、大規模ネットワークにおける因果的戦略的推論の有効性を示している。

ABSTRACT

We consider learning, from strictly behavioral data, the structure and parameters of linear influence games (LIGs), a class of parametric graphical games introduced by Ir-fan and Ortiz [2011, 2013]. LIGs facilitate causal strategic inference: Making inferences from causal interventions on stable behavior in strategic settings. Applications include the identification of the most influential individuals in large (social) networks. Such tasks can also support policy-making analysis. Motivated by the computational work on LIGs, we cast the learning problem as maximum-likelihood estimation (MLE) of a generative model defined by pure-strategy Nash equilibria (PSNE). Our simple formula-tion uncovers the fundamental interplay between goodness-of-fit and model complexity: good models capture equilibrium behavior within the data while controlling the true number of equilibria, including those unobserved. We provide a generalization bound establishing the sample complexity for MLE in our framework. We propose several algorithms including convex loss minimization (CLM) and sigmoidal approximations. We formally prove LIGs have a small true number of PSNE, with high probability; thus, CLM is sound. We illustrate our approach on synthetic data and real-world U.S. congressional voting records. We briefly discuss our learning framework’s generality and potential applicability to general graphical games. 1

研究の動機と目的

• 行動データのみから線形影響ゲーム（LIGs）の構造とパラメータを学習することで、大規模ネットワークにおける因果的戦略的推論を可能にすること。
• 観察された均衡のみが利用可能な状況で、戦略的依存関係や影響パターンを同定する課題に対処すること。
• 真の純戦略ナッシュ均衡（PSNE）の数、包括して観察されないものも含む、を制御することでモデルの複雑さとフィット感のバランスをとること。
• LIGsのためのサンプル複雑度の保証を持つ理論的根拠に基づいた学習フレームワークを提供すること。
• 立法的投票行動などの現実世界の戦略的データへの適用可能性を実証すること。

提案手法

• LIGにおける純戦略ナッシュ均衡（PSNE）に基づく生成モデルの最尤推定（MLE）として学習問題を定式化する。
• 損失関数の凸性を活用し、効率的な最適化を実現するための凸損失最小化（CLM）を用いる。
• 尤度関数内の非凸成分を扱うためにシグモイド近似を適用し、スケーラブルな最適化を可能にする。
• サンプル複雑度をモデルの複雑さと真のPSNE数に関連付ける一般化バウンドを確立する。
• LIGsが高確率で小さな真のPSNE数を持つことを理論的に証明し、CLMを妥当な学習手法として正当化する。
• 経験的リスクを最小化するように、観察された均衡からグラフ構造と影響パラメータを同時に学習するアルゴリズムを設計する。

実験結果

リサーチクエスチョン

• RQ1 ネットワークや報酬の事前知識が全くない状況でも、行動データのみから大規模なグラフィカルゲームの構造とパラメータを正確に学習できるか？
• RQ2 特に純戦略ナッシュ均衡の数というモデルの複雑さが、学習されたLIGの一般化性能にどのように影響するか？
• RQ3 最尤推定を用いてLIGを信頼性高く学習するために必要なサンプル複雑度はどの程度か？
• RQ4 PSNEの内在構造を考慮すると、凸損失最小化（CLM）はLIGの学習に対して妥当で効果的な手法とみなせるか？
• RQ5 このフレームワークは、立法的投票行動のような現実世界の戦略的データに応用可能か？特に、影響力を持つ参加者を同定できるか？

主な発見

• 提案されたMLEフレームワークは、LIGの信頼性ある学習に必要なサンプル複雑度を定量化する一般化バウンドを確立した。
• 理論的分析により、LIGsが高確率で小さな真の純戦略ナッシュ均衡（PSNE）数を持つことが証明され、凸損失最小化の使用を支持する。
• PSNEの内在的複雑さが小さいことから、凸損失最小化（CLM）がLIGの学習に対して妥当な手法であることが示された。
• シグモイド近似は尤度関数内の非凸成分を効果的に処理し、スケーラブルな最適化を可能にした。
• フレームワークは合成データおよび米国上院議会の実際の投票記録の両方で、意味のある影響構造を的確に同定できた。
• 観察された均衡行動から、大規模ネットワークにおけるキーパーソンの同定を含む因果的戦略的推論が可能になった。