[논문 리뷰] Bayesian Decision Making in Groups is Hard

Jan Hązła, Ali Jadbabaie외 2명|arXiv (Cornell University)|2021. 05. 08.

Opinion Dynamics and Social Influence참고 문헌 53인용 수 27

한 줄 요약

이 논문은 사회적 네트워크에서 베이지안 의사결정이 계산적으로 비가역적임을 보여주며, 이진 행동 모델과 신념 공개 모델 모두에서 NP-난이도임을 증명한다. 저자들은 후행 신뢰도를 계산하거나 근사화하는 것이조차도, 매우 집중된 후행 신뢰도를 구분하는 데에도 본질적으로 어렵다는 것을 보여주지만, 신호 제거를 통해 전이성 네트워크에서는 다항시간 알고리즘이 존재함을 밝힌다.

ABSTRACT

We study the computations that Bayesian agents undertake when exchanging opinions over a network. The agents act repeatedly on their private information and take myopic actions that maximize their expected utility according to a fully rational posterior belief. We show that such computations are NP-hard for two natural utility functions: one with binary actions and another where agents reveal their posterior beliefs. In fact, we show that distinguishing between posteriors that are concentrated on different states of the world is NP-hard. Therefore, even approximating the Bayesian posterior beliefs is hard. We also describe a natural search algorithm to compute agents' actions, which we call elimination of impossible signals, and show that if the network is transitive, the algorithm can be modified to run in polynomial time.

연구 동기 및 목표

• 네트워크 환경에서의 베이지안 사회적 학습의 계산적 비가역성을 엄밀히 입증하는 것.
• 이진 행동과 신념 공개라는 두 가지 자연스러운 유틸리티 모델 하에서 후행 신뢰도와 최적 행동을 계산하는 데 있어 복잡도를 분석하는 것.
• 정확한 계산이 비가역적임에도 불구하고, 근사적 베이지안 추론이 가능할지 조사하는 것.
• 특히 전이성이라는 구조적 조건이 효율적 계산이 가능하게 만드는지 밝혀내는 것.
• 계산 복잡도 이론과 사회적 학습 모델을 연결하여, 그룹 설정에서의 베이지안 업데이트가 실질적으로 비가역적임을 공식적으로 입증하는 것.

제안 방법

• 이진 행동 및 신념 공개 모델 모두에서 베이지안 행동 계산의 NP-난이도를 입증하기 위해 정점 커버 문제로의 감소를 수행한다.
• 에이전트의 신뢰도 갱신을 로그우도비율(φi,t = Σk∈N̄it λk)을 사용해 수식화하여 t-반경의 자기주변 네트워크에 대한 베이지안 후행 신뢰도를 표현한다.
• 전이성 네트워크 구조 하에서 효율적인 신뢰도 계산을 위해 '불가능한 신호 제거' 알고리즘을 도입한다.
• 귀납법을 사용하여 네트워크 구조가 유일한 경로 분해를 허용할 경우, 에이전트가 이웃의 업데이트로부터 전체 후행 신뢰도를 재구성할 수 있음을 증명한다.
• 이웃의 신뢰도로부터 새로운 정보를 계산하기 위해 혁신 항목 φ̂i,t = Σj∈Ni (φ̂j,t−1 − Σk∈Ni∩N̄jt−1 φk,0) 을 유도한다.
• 구조적 가정: 여러 경로로 에이전트에 도달하는 경우, 이러한 모든 경로가 직접 관측되어야 하며, 이를 통해 유일한 신호 분해가 가능하다.

실험 결과

연구 질문

• RQ1 네트워크 기반 그룹 설정에서 베이지안 후행 신뢰도를 계산하는 것이 계산적으로 가능할 수 있는가?
• RQ2 에이전트들은 매우 집중된 후행 신뢰도를 구분할 수 있도록 효율적으로 자신의 후행 신뢰도를 근사화할 수 있는가?
• RQ3 특히 전이성이라는 네트워크 구조가 다항시간 베이지안 행동 계산을 가능하게 하는가?
• RQ4 신념 공개가 간단한 행동 공간을 가질 수 있음에도 불구하고, 일부 유틸리티 모델에서는 추론이 비가역적일 수 있는가?
• RQ5 신호 상관관계와 공유 정보 원천은 베이지안 업데이트를 얼마나 계산적으로 어렵게 만드는가?

주요 결과

• 이진 행동 및 신념 공개 모델 모두에서 그룹 내에서의 베이지안 행동 계산은 NP-난이도이며, 단순한 이진 상태와 신호 조건에서도 마찬가지다.
• 다른 세계 상태에 거의 완전히 집중된 후행 신뢰도를 구분하는 것도 NP-난이도이며, 이는 근사화 역시 비가역적임을 시사한다.
• 에이전트들이 공통 사전 확률과 네트워크 구조에 대한 완전한 지식을 가진 상태에서도 하드니스 결과가 유지되므로, 최악의 경우 비가역성은 본질적으로 내재되어 있음을 의미한다.
• 전이성 네트워크에서는 불가능한 신호 제거를 통해 다항시간 알고리즘이 존재하며, 이는 이웃 업데이트로부터 후행 신뢰도를 재구성한다.
• 신뢰도 갱신은 t-반경 자기주변 네트워크를 따라 로그우도비율의 합으로 계산될 수 있으며, 전이성 가정 하에서는 이 합을 이웃의 신뢰도 차이로부터 재구성할 수 있다.
• 다중 경로를 통해 오는 신호가 모두 직접 관측된다는 구조적 가정은 새로운 정보(혁신 항목)의 분해를 가능하게 하며, 이는 효율적 신뢰도 계산을 가능하게 한다.