[논문 리뷰] Iterative Judgment Aggregation

Marija Slavkovik, Wojciech Jamroga|arXiv (Cornell University)|2016. 04. 21.

Multi-Criteria Decision Making인용 수 4

한 줄 요약

이 논문은 합의 형성 과정을 합리적 판단의 그래프 위에서 에이전트들이 상대방과의 거리를 최소화하도록 이동시키는 방식으로 모델링하는 반복적 판단 집계 알고리즘을 제안한다. 특정 그래프 유형—특히 완전 그래프와 해밍 및 모델 의제 그래프의 일부 하위구조—에 대해 홀수 에이전트 수에서 수렴 보장이 있음을 증명하며, 표준 판단 집계 방법에 비해 계산적으로 효율적이고, 동점이 발생하지 않는 대안을 제공한다.

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.

연구 동기 및 목표

• 투표 분야에서는 널리 사용되지만 판단 집계 분야에서는 반복적 합의 형성 절차의 부재를 해결하기 위해.
• 에이전트가 합리적 판단의 그래프 위에서 이동함으로써 분산형, 반복적 알고리즘을 통한 집단적 판단 도출을 개발하기 위해.
• 기본 판단 집계 연산자와 비교하여 반복 절차의 수렴 조건 및 계산 복잡도를 분석하기 위해.
• 거리 기반 집계 규칙(예: 중앙값 규칙)과 비교했을 때 도달한 합의의 품질을 탐색하기 위해.
• 합의 수렴을 보장하거나 방지하는 의제 그래프의 구조적 성질을 조사하기 위해.

제안 방법

• 주어진 의제에 대한 모든 합리적 판단을 무방향 그래프의 정점으로 표현하며, 논리적 또는 해밍 거리 관계에 기반한 간선을 설정한다.
• 세 가지 그래프 유형을 정의한다: 완전 그래프(모든 판단이 연결됨), 해밍 그래프(한 문제에서만 다름으로써 다를 판단 간에 간선 존재), 모델 의제 그래프(논리적 일관성 제약 조건에 기반함).
• 각 에이전트가 현재 다른 에이전트의 판단과의 경로 거리를 줄일 수 있는 인접한 정점으로 이동하는 반복 알고리즘을 구현한다.
• 에이전트들이 다른 이들의 판단으로 향하는 최단 경로를 따라만 이동하도록 보장함으로써, 분산 방식으로 합리적 믿음 수정을 모델링한다.
• 수렴 조건 분석을 위해 볼록 Hull과 정점 차수 등의 그래프 이론적 개념을 사용한다.
• 절차를 판단 프로파일 변환 함수로 형식화함으로써, 독립성과 보편 도메인 축약 조건을 완화함으로써 불가능성 결과를 피한다.

실험 결과

연구 질문

• RQ1 반복적 판단 집계 알고리즘이 어떤 조건에서 수렴을 보이며 합의에 도달하는가?
• RQ2 의제 그래프의 구조(예: 완전 그래프, 해밍 그래프, 모델 그래프)가 반복 과정의 수렴에 어떤 영향을 미치는가?
• RQ3 에이전트 수가 홀수일 경우, 어떤 초기 판단 프로파일 클래스에서 알고리즘이 합의를 보장하는가?
• RQ4 반복 알고리즘의 계산 복잡도는 표준 판단 집계 연산자와 비교해 어떻게 되는가?
• RQ5 반복 알고리즘이 도달한 합의가 거리 기반 집계 규칙(예: 중앙값 규칙)에 의해 도출된 결과와 얼마나 가까운가?

주요 결과

• 홀수 에이전트 수에서 완전 그래프 $G_{ar{A},ar{̲}}^c$ 에서 알고리즘은 항상 합의에 수렴하며, 이는 초기 판단들만 선택한다.
• 해밍 그래프 $G_{ar{A}}^h$ 와 모델 의제 그래프 $G_{ar{A},ar{̲}}^m$ 에서는, 초기 프로파일의 볼록 Hull이 모든 정점의 차수가 2 이하인 부분그래프를 유도할 경우 알고리즘이 합의에 수렴한다.
• 에이전트 수가 홀수이면서 3보다 클 경우, 유도된 부분그래프가 $k$-사이클($k = 2 \cdot mx_d(P^0) + 1$)일 경우 알고리즘은 확률적으로 합의에 수렴한다.
• 반복 절차는 동점을 피하고, 특히 계산이 비효율적인 승자 결정 문제를 피할 수 있어 표준 판단 집계 방법에 비해 잠재적인 계산적 이점이 있다.
• 알고리즘의 변환 함수는 $G_{ar{A}}^h$ 에서 독립성 위반과 $G_{ar{A},ar{̲}}^m$ 에서 보편 도메인 위반으로 인해 리스트의 불가능성 결과를 피한다. 이는 비합리적 중간 판단이 발생하기 때문이다.
• 도달한 합의가 해밍 거리 $d_h$ 기준 중앙값 판단과 자주 유사하므로, 널리 사용되는 집계 규칙과 강한 일치를 보인다.