[논문 리뷰] Learning, Misspecification, and Cognitive Arbitrage in Linear-Quadratic Network Games

Quanyan Zhu, Zhengye Han|arXiv (Cornell University)|2026. 03. 17.

Game Theory and Applications인용 수 0

한 줄 요약

논문은 misspecified agent 모델을 가진 선형-2차 네트워크 게임에서 Berk-Nash 균형을 연구하고, 관찰을 최소한으로 왜곡함으로써 인지적 차익(cognitive arbitrage) 설계를 도입하며, 두 시점 규모의 수렴으로 Stackelberg-최적 왜곡 전략을 도출한다.

ABSTRACT

We study strategic interaction in linear-quadratic network games where agents act on subjective, misspecified models of their environment. Agents observe noisy aggregate signals generated by local network externalities and interpret them through simplified conjectures, such as constant or mean-field representations. We characterize the long-run behavior using the Berk-Nash equilibrium (BNE) concept, establishing conditions under which BNE diverges from the Nash equilibrium of the perfectly specified game. We quantify this divergence using a Value of Misspecification (VoM) metric. Building on this framework, we introduce "cognitive arbitrage" -- a design paradigm where a system designer strategically shapes agents' conjectures via minimal observation distortions to steer equilibrium outcomes. We formulate the cognitive arbitrage problem as a Stackelberg optimization with closed-form solutions and prove the convergence of a two-time-scale learning algorithm to the optimal BNE. Our results provide a principled framework for influencing behavior in networked systems with bounded rationality, offering a new perspective on mechanism design that operates on agents' representations rather than their incentives.

연구 동기 및 목표

• 선형-이차 네트워크 게임에서 주관적 오류가 균형 결과에 어떤 영향을 미치는지 이해한다.
• 오식 하에서 Berk-Nash 균형과 진정한 Nash 균형 간의 차이를 특징지운다.
• Value of Misspecification(VoM)을 정량화하고 안정성 조건을 식별한다.
• 최소한의 관찰 왜곡으로 균형에 영향을 주는 인지적 차익 설계 문제를 제시하고 해결한다.
• 최적 Berk-Nash 균형으로의 이행을 보장하는 두 시점 학습 알고리즘의 수렴성을 증명한다.

제안 방법

• 로컬 외부효과가 있는 방향성 네트워크와 가우시안 관찰 노이즈를 모델링한다.
• 주관적 추측을 단순 회귀자(상수, 집계, 평균장, 특성 기반)로 정의한다.
• 주관적 분포에서의 최적성 및 일관성 조건의 고정점으로서 Berk-Nash 균형을 도출한다(최적 응답의 주관적 분포 하에서의 최적성/일관성 조건).
• VoM을 통해 Nash 균형과의 발산 정도를 정량화한다.
• 관측 왜곡 예산 하에서 집합적 비용을 최소화하는 Stackelberg 유사 설계로서 인지적 차익을 형성하고, 최적 왜곡 δ* 및 유도된 BN 균형에 대한 닫힌 형태 해를 얻는 최적화 문제를 제시한다.
• 이중 시점 학습 динамиcs의 거의- surely 수렴을 보인다.

Figure 1: Network mismatch: True dense interactions (gray) vs. sparse subjective attention (blue). Agents ignore long-range dependencies, creating persistent model misspecification.

실험 결과

연구 질문

• RQ1 관계된 추측의 오식이 선형-이차 네트워크 게임에서의 결과 균형에 어떻게 영향을 미치는가?
• RQ2 다양한 추측 클래스 하에서 Berk-Nash 균형과 실제 Nash 균형 사이의 관계는 무엇인가?
• RQ3 VoM으로 포착되는 시스템 성능 악화(또는 개선)는 오식이 얼마나 큰 경우에나 나타나는가?
• RQ4 인지적 차익(Cognitive arbitrage)을 통해 시스템 디자이너가 관측을 최소하게 왜곡하여 균형 결과를 최적적으로 영향을 미칠 수 있는가? 어떻게 계산하고 구현하는가?
• RQ5 학습 동역학이 Berk-Nash 균형으로 수렴하는가? 어떤 조건에서 가능한가?

주요 결과

• constant 추측 하에서 BN 균형의 행위는 NE와 일치하여 왜곡이 발생하지 않는다.
• 글로벌 평균장 추측은 대칭적 또는 대규모 인구 극한에서 BN 균형 행위가 지역 영향의 스칼라 집계와 등가가 될 수 있다.
• 지역 평균장 추측은 네트워크의 인식이 희소화되어 상호작용 행렬이 재가중되어 균형을 바꾼다.
• VoM은 오식이가 전체 비용에 미치는 왜곡 정도의 상한을 제공하며, 이 상한은 네트워크 왜곡 및 시스템 매개변수에 비례하여 증가한다.
• 인지적 차익은 최적 왜곡 δ*를 가능하게 하여 BN 균형을 유도하며, 이를 닫힌 형태로 구하는 고유 해가 존재한다(보완 자유도 조건이 있는 QCQP를 포함).
• 이중 시점 학습 실험은 에이전트 수준 변수의 BN 균형으로의 빠른 수렴을 검증하고, 설계자의 왜곡은 느리게 진화하여 Stackelberg 근사화를 지지한다.

Figure 2: Convergence diagnostics plotted on a log scale. The rapid decay of action and conjecture updates relative to the distortion updates ( $\|\Delta\delta\|$ ) empirically validates the two-time-scale separation principle.