[논문 리뷰] Games of Incomplete Information Played By Statisticians

Annie Liang|arXiv (Cornell University)|2019. 10. 15.

Sports Analytics and Performance인용 수 4

한 줄 요약

이 논문은 공동 지식을 가진 통계적 학습자들이 존재하는 불완전 정보 게임에서의 전략적 예측을 위한 신뢰도 지표를 제안한다. 데이터가 많아질수록 분석가의 예측에 대한 신뢰도는 예측이 한계에서 엄격하게 합리화 가능한 경우에 확실성으로 수렴하며, 이는 고차원적 데이터에서의 증가한 사전 거래와 같은 새로운 비교정적 결과를 도출하는 정량적 프레임워크를 제공한다.

ABSTRACT

Players are statistical learners who learn about payoffs from data. They may interpret the same data differently, but have common knowledge of a class of learning procedures. I propose a metric for the analyst's "confidence" in a strategic prediction, based on the probability that the prediction is consistent with the realized data. The main results characterize the analyst's confidence in a given prediction as the quantity of data grows large, and provide bounds for small datasets. The approach generates new predictions, e.g. that speculative trade is more likely given high-dimensional data, and that coordination is less likely given noisy data.

연구 동기 및 목표

• 불완전 정보 게임에서 일반 사전 분포 가정의 한계를 해결하기 위해, 현실 세계에서 지속적인 신념 불일치를 반영하지 못하는 문제를 해결한다.
• 플라우지블한 학습 규칙를 공유하지만 데이터를 다르게 해석하는 플레이어를 통계적 학습자로 모델링한다.
• 이질적인 신념 형성에 기인한 불확실성을 반영하는 전략적 예측을 위한 정량적 신뢰도 지표를 개발한다.
• 데이터가 증가함에 따라 이 신뢰도 지표의 渐近적 행동을 기술하고, 유한한 데이터셋에 대한 행동을 경계한다.
• 이 프레임워크 하에서 기존의 공통 사전 분포 가정에서는 도출할 수 없는 새로운, 검증 가능한 비교정적 결과(예: 고차원적 데이터에서의 증가한 사전 거래, 노이즈 있는 데이터에서의 감소한 협력)를 도출한다.

제안 방법

• 각 플레이어가 타자들이 타당한 신념을 가진다고 확률 1을 할당하는 신념 제약 조건을 정의하여, 학습 규칙 집합에 대한 공통 지식 구조를 형성한다.
• 학습 규칙에서 유도된 모든 타당한 신념을 고려해 전략적 예측이 성립할 확률의 최소값과 최대값 사이의 간격으로 예측에 대한 신뢰집합을 구성한다.
• 다양한 학습 규칙에 의해 유도된 신념 분포 간의 거리 측정을 위해 dP를 사용하며, 핵심 가정 하에서 균일 수렴을 보장한다.
• 속도 경계를 적용하여 데이터 양과 학습 규칙 수렴 속도에 따라 신뢰집합이 그 渐近적 한계로 수렴하는 속도를 정량화한다.
• 근사 공통 p-신념 및 균형 기반 예측으로 프레임워크를 확장하며, 약한 조건 하에서도 수렴성을 유지한다.
• 학습 규칙의 한계 행동을 활용해, 데이터가 증가함에 따라 신뢰집합이 {1} (확실성) 또는 {0} (반증)으로 수렴할 조건을 도출한다.

실험 결과

연구 질문

• RQ1 플레이어들이 가진 데이터의 양이 증가함에 따라 분석가의 전략적 예측에 대한 신뢰도는 어떻게 변화하는가?
• RQ2 대량의 데이터에서 예측에 대한 신뢰집합이 확실성({1}) 또는 반증({0})으로 수렴하는 조건은 무엇인가?
• RQ3 유한한 데이터가 존재할 때 예측의 신뢰집합이 그 渐近적 한계에서 얼마나 다를 수 있는가?
• RQ4 학습 규칙의 구조와 데이터의 차원 수가 사전 거래나 협력과 같은 예측에 대한 분석가의 신뢰도에 어떻게 영향을 미치는가?
• RQ5 이 프레임워크는 공통 사전 분포 가정 하에서는 도출할 수 없는 새로운, 경험적으로 검증 가능한 비교정적 결과를 도출할 수 있는가?

주요 결과

• 학습 규칙 집합이 균일 수렴 성질을 만족하면, 어떤 행동이라도 한계에서 엄격하게 합리화 가능할 경우 분석가의 신뢰집합은 {1}으로 수렴하고, 한계에서 합리화 불가능한 행동은 {0}으로 수렴한다.
• 학습 규칙가 균일 수렴 성질을 만족하지 못할 경우, 수렴 속도가 규칙 간에 유계가 아니므로, 임의로 큰 데이터가 있더라도 신뢰집합이 연속적으로 {1}로 수렴하지 않을 수 있다.
• 유한한 데이터셋에 대해, 데이터 양, 학습 규칙 수렴 속도, 그리고 한계에서의 예측의 엄격성에 따라 신뢰집합이 그 渐近적 한계에서 벗어나는 정도를 경계한다.
• 이 프레임워크는 고차원적 데이터에서 학습하는 에이전트들이 사전 거래를 더 많이 할 것임을 예측한다. 이는 공통 사전 분포 가정 하에서는 도출할 수 없는 결과이다.
• 노이즈 있는 데이터를 관측할 경우 협력 가능성은 감소하며, 이 역시 기존의 프레임워크에서는 도출할 수 없는 새로운 비교정적 결과이다.
• 신뢰도 지표는 균형 기반 예측으로 확장 가능하며, 엄격한 베이지안 내쉬 균형에 대해 유사 조건 하에서 {1} 또는 {0}으로 수렴한다.