[논문 리뷰] Comparison-Based Choices

Jon Kleinberg, Sendhil Mullainathan외 1명|arXiv (Cornell University)|2017. 05. 16.

Data Management and Algorithms참고 문헌 25인용 수 9

한 줄 요약

이 논문은 선택집합 효과에 영향을 받는 인간의 의사결정을 모델링하기 위해 비교 기반 선택 함수를 도입하며, 이러한 함수는 기본 최대/최소 함수와 유사한 질의 복잡도로 추론될 수 있음을 보여준다. 주요 기여는 선택집합 효과가 활성 또는 피ア싱 질의 설정에서 이질적인 인구 집단을 포함한 환경에서도 알고리즘 복잡도를 본질적으로 증가시키지 않는다는 점이다.

ABSTRACT

A broad range of on-line behaviors are mediated by interfaces in which people make choices among sets of options. A rich and growing line of work in the behavioral sciences indicate that human choices follow not only from the utility of alternatives, but also from the choice set in which alternatives are presented. In this work we study comparison-based choice functions, a simple but surprisingly rich class of functions capable of exhibiting so-called choice-set effects. Motivated by the challenge of predicting complex choices, we study the query complexity of these functions in a variety of settings. We consider settings that allow for active queries or passive observation of a stream of queries, and give analyses both at the granularity of individuals or populations that might exhibit heterogeneous choice behavior. Our main result is that any comparison-based choice function in one dimension can be inferred as efficiently as a basic maximum or minimum choice function across many query contexts, suggesting that choice-set effects need not entail any fundamental algorithmic barriers to inference. We also introduce a class of choice functions we call distance-comparison-based functions, and briefly discuss the analysis of such functions. The framework we outline provides intriguing connections between human choice behavior and a range of questions in the theory of sorting.

연구 동기 및 목표

• 행동 실험에서 관찰된 바와 같이, 선택의 구성 요소뿐만 아니라 내재된 유틸리티에 의존하는 인간의 선택을 모델링하기 위해.
• 활성 및 피아싱 질의 모델 하에서 비교 기반 선택 함수의 알고리즘 복잡도를 분석하기 위해.
• 선택집합 효과가 효율적 추론에 본질적인 장벽을 유도하지 않으며, 표준 정렬 알고리즘과 동일한 복잡도를 유지함을 보여주기 위해.
• 거리 기반 비교 기반 함수로의 프레임워크 확장과 함께 인지 임bedding 학습 및 정렬 이론과의 연결을 위해.
• 이질적 인구 집단과 다차원 임베딩을 포함한 복잡한 의사결정 행동에서의 추론 통합 이론의 기초를 마련하기 위해.

제안 방법

• 논문은 선택 집합 내의 상대적 비교에 의존하는 선택 함수를 비교 기반 선택 함수로 정의하며, 고정된 전역 순위가 아닌 선택 집합 내의 상대적 비교에 의존한다.
• 거리 기반 비교 기반 함수의 개념을 도입하여, 선택이 대안들 간의 상대적 거리나 유사성에 기반함을 제시한다.
• 활성 및 피아싱 설정 모두에서 질의 복잡도를 분석하여, 일차원 비교 기반 선택 함수의 추론에 대해 N개의 쌍별 비교에 대해 O(N log N)의 질의가 필요하다는 것을 보여준다.
• 일반화된 커뮤니티 중앙값 알고리즘을 제안하여, k개의 쌍에서 가장 덜 유사한 쌍은 무엇인지 묻는 질의를 통해 거리 순서를 효율적으로 추론한다.
• 정렬 이론과의 연결을 통해 비교 기반 선택 추론이 고전적 비교 기반 정렬과 동일한 점근적 복잡도를 달성함을 보여준다.
• 이론은 이질적 인구 집단과 혼합된 선택 행동을 고려하도록 확장되며, 이러한 함수의 혼합 학습에 대한 향후 연구를 제안한다.

실험 결과

연구 질문

• RQ1 선택집합 효과(예: 중도 효과)를 보이는 비교 기반 선택 함수는 표준 정렬과 유사한 질의 복잡도로 추론될 수 있는가?
• RQ2 선택 스트림의 피아싱 관찰과 활성 질의 간에 추론의 질의 복잡도는 어떻게 변화하는가?
• RQ3 거리 기반 비교 기반 선택 함수는 효율적으로 학습될 수 있으며, 인지 임베딩 작업과 어떻게 관련되는가?
• RQ4 인구의 이질성은 비교 기반 선택 함수의 추론에 어떤 영향을 미치는가?
• RQ5 프레임워크는 다차원 임베딩과 더 복잡한 선택 행동으로 어떻게 확장될 수 있는가?

주요 결과

• 일차원에서의 비교 기반 선택 함수는 어떤 경우에도 단순 최대 또는 최소 함수와 동일한 점근적 질의 복잡도로 추론될 수 있으며, 즉 N개의 쌍별 비교에 대해 O(N log N)이다.
• 이 프레임워크는 일반화된 커뮤니티 중앙값 알고리즘을 통해 k개의 쌍에서 가장 덜 유사한 쌍을 묻는 질의를 사용하여 거리 순서를 효율적으로 추론할 수 있다.
• 피아싱 질의 스트림은 선택 함수의 추론에 사용될 수 있으나, 피아싱 관찰과 이질적 인구 집단의 조합은 여전히 열린 도전 과제이다.
• 결과는 선택집합 효과가 추론에 본질적인 알고리즘 장벽을 유도하지 않으며, 복잡도가 알려진 정렬 경계 내에 유지된다는 것을 시사한다.
• 이 모델은 복잡한 인간의 선택 행동 학습을 위한 강력한 이론적 기반을 제공하며, 인지 심리학 및 기계 학습과의 연결고리를 제공한다.
• 논문은 혼합된 선택 함수 학습 및 노이즈가 있는 또는 다차원 설정에서의 문제를 식별하며, 향후 연구 방향을 제안한다.