[논문 리뷰] Learning the Structure and Parameters of Large-Population Graphical Games from Behavioral Data

Jean Honorio, Luis E. Ortiz|arXiv (Cornell University)|2012. 06. 16.

Game Theory and Applications참고 문헌 75인용 수 1

한 줄 요약

이 논문은 순수 전략 나시 균형(PSNE)을 생성 모델로 사용하여 행동 데이터로부터 선형 영향 게임(LIGs)의 구조와 파라미터를 최대우도추정(MLE) 프레임워크로 학습하는 방법을 제안한다. 일반화 한계를 설정하고 볼록 손실 최소화를 통한 타당성 증명을 하며, 합성 데이터와 미국 의회 투표 기록을 바탕으로 검증하여 대규모 네트워크에서의 인과 전략적 추론에의 유용성을 입증한다.

ABSTRACT

We consider learning, from strictly behavioral data, the structure and parameters of linear influence games (LIGs), a class of parametric graphical games introduced by Ir-fan and Ortiz [2011, 2013]. LIGs facilitate causal strategic inference: Making inferences from causal interventions on stable behavior in strategic settings. Applications include the identification of the most influential individuals in large (social) networks. Such tasks can also support policy-making analysis. Motivated by the computational work on LIGs, we cast the learning problem as maximum-likelihood estimation (MLE) of a generative model defined by pure-strategy Nash equilibria (PSNE). Our simple formula-tion uncovers the fundamental interplay between goodness-of-fit and model complexity: good models capture equilibrium behavior within the data while controlling the true number of equilibria, including those unobserved. We provide a generalization bound establishing the sample complexity for MLE in our framework. We propose several algorithms including convex loss minimization (CLM) and sigmoidal approximations. We formally prove LIGs have a small true number of PSNE, with high probability; thus, CLM is sound. We illustrate our approach on synthetic data and real-world U.S. congressional voting records. We briefly discuss our learning framework’s generality and potential applicability to general graphical games. 1

연구 동기 및 목표

• 행동 데이터만을 이용하여 대규모 네트워크에서의 인과 전략적 추론을 가능하게 하기 위해 선형 영향 게임(LIGs)의 구조와 파라미터를 학습하는 것.
• 관측된 균형만 존재할 때 전략적 의존성과 영향 패턴을 추론하는 데 도전하는 것.
• 진짜 순수 전략 나시 균형(PSNE) 수, 포함된 관측되지 않은 것까지 포함하여, 모델의 복잡성과 적합도 사이의 균형을 맞추는 것.
• LIGs에 대해 샘플 복잡도 보장을 갖춘 이론적으로 탄탄한 학습 프레임워크를 제공하는 것.
• 실제 전략적 데이터, 예를 들어 입법 투표 행동과 같은 실제 응용 가능성을 입증하는 것.

제안 방법

• 순수 전략 나시 균형(PSNE) 기반의 생성 모델을 기반으로 한 최대우도추정(MLE)으로 학습 문제를 수립하는 것.
• 손실 함수의 볼록성에 기반해 효율적인 최적화를 위한 볼록 손실 최소화(CLM)를 사용하는 것.
• 비볼록 성분을 다루기 위해 시그모이드 근사법을 적용하여 스케일러블 최적화를 가능하게 하는 것.
• 샘플 복잡도를 모델 복잡도와 진짜 PSNE 수와 연결하는 일반화 한계를 설정하는 것.
• LIGs가 높은 확률로 낮은 진짜 PSNE 수를 갖는다는 이론적 분석을 통해 CLM이 타당한 학습 방법임을 증명하는 것.
• 관측된 균형에서 그래프 구조와 영향 파라미터를 동시에 학습하는 알고리즘 설계를 통해 경험적 리스크를 최소화하는 것.

실험 결과

연구 질문

• RQ1 사전에 네트워크나 보상에 대한 지식 없이 행동 데이터만으로 대규모 인구의 그래픽 게임의 구조와 파라미터를 정확하게 학습할 수 있는가?
• RQ2 특히 순수 전략 나시 균형의 수와 같은 모델 복잡도가 학습된 LIG의 일반화 성능에 어떤 영향을 미치는가?
• RQ3 최대우도추정을 사용하여 LIG를 신뢰성 있게 학습하기 위해 필요한 샘플 복잡도는 얼마인가?
• RQ4 PSNE의 기초 구조를 고려할 때 볼록 손실 최소화가 LIG 학습에 타당하고 효과적인 방법인가?
• RQ5 이 프레임워크는 입법 투표 패턴과 같은 실제 전략적 데이터에 적용되어 영향력 있는 주체를 식별할 수 있는가?

주요 결과

• 제안된 MLE 프레임워크는 신뢰할 만한 LIG 학습을 위해 필요한 샘플 복잡도를 정량화하는 일반화 한계를 설정한다.
• 이론적 분석을 통해 LIGs가 높은 확률로 낮은 진짜 순수 전략 나시 균형(PSNE) 수를 갖는다는 것이 입증되어, 볼록 손실 최소화의 타당성을 뒷받침한다.
• PSNE의 내재된 낮은 복잡도를 고려할 때 볼록 손실 최소화(CLM)는 LIG 학습에 타당한 학습 방법으로 입증된다.
• 시그모이드 근사법은 비볼록 성분을 효과적으로 다루어 스케일러블 최적화를 가능하게 한다.
• 프레임워크는 합성 데이터와 실제 미국 의회 투표 기록에서 의미 있는 영향 구조를 성공적으로 식별한다.
• 관측된 균형 행동에서 대규모 네트워크 내 핵심 영향력자 식별과 같은 인과 전략적 추론을 가능하게 한다.