[논문 리뷰] Learning Quadratic Games on Networks

Yan Leng, Xiaowen Dong외 2명|arXiv (Cornell University)|2018. 11. 21.

Bayesian Modeling and Causal Inference참고 문헌 40인용 수 5

한 줄 요약

이 논문은 관측된 내쉬 균형 행동을 바탕으로 선형-제곱형 보상이 있는 네트워크 게임에서 상호작용 네트워크의 구조와 개인의 마진 수익을 학습하기 위한 두 가지 새로운 프레임워크를 제안한다. 그래프 구조와 마진 수익에 대한 공동 최적화 문제를 수립함으로써, 행동 데이터로부터 전략적 관계를 효과적으로 추론하며, 합성 및 실제 사회, 경제, 정치 시스템 네트워크에서 뛰어난 성능을 보여준다.

ABSTRACT

Individuals, or organizations, cooperate with or compete against one another in a wide range of practical situations. Such strategic interactions are often modeled as games played on networks, where an individual's payoff depends not only on her action but also on that of her neighbors. The current literature has largely focused on analyzing the characteristics of network games in the scenario where the structure of the network, which is represented by a graph, is known beforehand. It is often the case, however, that the actions of the players are readily observable while the underlying interaction network remains hidden. In this paper, we propose two novel frameworks for learning, from the observations on individual actions, network games with linear-quadratic payoffs, and in particular, the structure of the interaction network. Our frameworks are based on the Nash equilibrium of such games and involve solving a joint optimization problem for the graph structure and the individual marginal benefits. Both synthetic and real-world experiments demonstrate the effectiveness of the proposed frameworks, which have theoretical as well as practical implications for understanding strategic interactions in a network environment.

연구 동기 및 목표

• 관측 가능한 것은 플레이어의 행동뿐이지만 네트워크 구조는 은폐된 전략적 환경에서 숨겨진 상호작용 네트워크를 추론하는 데 도전하는 것.
• 선형-제곱형 보상이 있는 네트워크 게임에서 그래프 구조와 개인의 마진 수익을 공동으로 추론하는 학습 프레임워크를 개발하는 것.
• 마진 수익의 동질성 효과를 추론 과정에 통합하여 전략적 관계의 모델링을 향상시키는 것.
• 사회적 집단 탐지, 중심성 분석, 간섭 설계와 같은 실용적 응용을 가능하게 하는 것.
• 보상 함수나 네트워크 구조에 대한 사전 지식 없이 데이터 기반으로 네트워크 게임을 학습하는 접근법을 제공하는 것.

제안 방법

• 각 플레이어의 보상가치가 자신의 행동과 이웃 플레이어의 행동에 의해 그래프 구조를 통해 영향을 받는 제곱형 유용도 함수로 네트워크 게임를 수식화한다.
• 내쉬 균형 조건을 사용하여 관측된 행동과 잠재 게임 매개변수를 연결함으로써, 그래프와 마진 수익에 대한 역추론을 가능하게 한다.
• 관측된 행동에 대한 손실 함수를 최소화함으로써 그래프 라플라시안과 개인의 마진 수익을 공동으로 추정하는 볼록 최적화 프레임워크를 제안한다.
• 유사한 플레이어는 유사한 동기를 가진다는 가정 하에 마진 수익의 동질성을 강제하는 두 번째 프레임워크를 도입하여 추론의 안정성과 정확도를 향상시킨다.
• 근접 경사 방법과 ADMM를 사용하여 공동 최적화 문제를 효율적으로 해결하며, 희박성과 안정성을 증진하기 위해 정규화를 적용한다.
• 스펙트럼 클러스터링을 추론된 네트워크에 적용하여 스위스 캔톤과 같은 실제 사례에서 공동체 구조를 검증한다.

실험 결과

연구 질문

• RQ1 관측 가능한 것은 플레이어의 내쉬 균형 행동 뿐일 때, 네트워크 게임의 기반이 되는 상호작용 네트워크를 정확하게 추론할 수 있는가?
• RQ2 관측된 행동으로부터 선형-제곱형 네트워크 게임에서 그래프 구조와 개인의 마진 수익을 공동으로 추정할 수 있는가?
• RQ3 마진 수익에 동질성 요건을 통합할 경우, 추론된 네트워크의 정확도와 해석 가능성에 어떤 영향을 미치는가?
• RQ4 제안된 프레임워크는 사회적 영향력, 경제적 경쟁, 정치적 투표 패턴과 같은 실제 데이터에서 얼마나 잘 성능을 보이는가?
• RQ5 추론된 네트워크 구조는 복잡한 시스템에서 의미 있는 공동체 구조와 전략적 의존성을 드러낼 수 있는가?

주요 결과

• 제안된 프레임워크는 합성 네트워크에서 관측된 행동을 기반으로 기존의 진짜 그래프 구조와 마진 수익을 높은 정확도로 복원하여 효과적으로 추론하였다.
• 26개 스위스 캔톤의 정치 투표 데이터에서 추론된 네트워크는 언어적·문화적 지역과 일치하는 일관된 클러스터를 드러내었으며, 보수적인 캔톤은 별도의 그룹을 형성하였다.
• 학습된 네트워크의 스펙트럼 클러스터링은 두 알고리즘 모두에서 일관된 3개 클러스터 분할을 보였으며, 스위스의 알려진 사회정치적 그룹화와 일치하였다.
• 두 알고리즘 모두에서 상호작용 매개변수 β의 양의 값은 전략적 보완성(동일한 캔톤들이 유사하게 투표함)을 나타내었다.
• 동질성 마진 수익을 고려한 프레임워크(알고리즘 2)는 실제 추론 과업에서 더 높은 안정성과 해석 가능성의 향상을 보였다.
• 그래프와 마진 수익의 공동 추론은 사회적 집단 탐지, 중심성 분석, 네트워크 시스템의 간섭 설계와 같은 후속 응용을 가능하게 하였다.