[논문 리뷰] Many-agent interaction in the model of labour force training

Ирина Зайцева, Oleg Malafeyev외 3명|arXiv (Cornell University)|2018. 03. 29.

Educational Technology and Optimization참고 문헌 10인용 수 6

한 줄 요약

이 논문은 다수의 에이전트를 고려한 노동력 훈련의 연속적이고 이산적인 모델을 개발하기 위해 미분 게임과 동적 프로그래밍을 활용하여 최적의 훈련 전략을 도출한다. 주요 기여는 기업 간 전략적 상호작용 하에서 최적의 훈련 정책을 규명하는 수학적으로 엄밀한 프레임워크를 제공하는 것이다. 이는 효율적인 노동력 개발 계획 수립을 가능하게 한다.

ABSTRACT

The continuous and discrete models of labour force training are being built. The application of the results from the theory of differential games and dynamic programming allows presenting the optimal strategies of labour force training that can be calculated.

연구 동기 및 목표

• 노동력 훈련 시스템 내에서 다수의 훈련 대상자와 훈련 담당자 간의 전략적 상호작용을 모델링하기.
• 동적인 훈련 과정을 포괄하는 연속적 및 이산적 수학적 모델 개발하기.
• 최적의 훈련 정책을 도출하기 위해 미분 게임과 동적 프로그래밍 적용하기.
• 노무 효율성을 극대화하고자 하는 정책 입안자들을 위한 의사결정 지원 프레임워크 제공하기.
• 개별 에이전트의 행동이 집단적 훈련 결과에 미치는 영향 분석하기.

제안 방법

• 전략적 상호작용을 수반하는 다에이전트 동적 시스템으로서의 노동력 훈련 과정의 수리적 형식화.
• 연속 시간 미분 게임을 적용하여 훈련 강도와 지속 시간의 최적 제어 모델링하기.
• 실제 구현과 시뮬레이션을 위한 이산 시간 모델 개발하기.
• 각 에이전트의 최적 전략을 순환적으로 계산하기 위해 동적 프로그래밍 활용하기.
• 실제 훈련 목표를 반영한 상태에 의존하는 보상과 제약 조건 통합하기.
• 훈련 과정의 안정성과 최적성을 보장하는 피드백 내쉬 균형 전략 유도하기.

실험 결과

연구 질문

• RQ1 다수의 에이전트가 노동력 훈련 시스템 내에서 전략적으로 상호작용할 때 최적의 훈련 전략을 어떻게 도출할 수 있는가?
• RQ2 노동력 훈련의 다에이전트 미분 게임 프레임워크에서 도출되는 균형 제어 정책은 무엇인가?
• RQ3 연속적 모델과 이산적 모델은 실제 훈련 역학을 표현하는 데 어떤 정도의 능력을 갖는가?
• RQ4 동적 프로그래밍은 개인 및 집단적 결과에 대한 최적의 훈련 궤적을 계산하는 데 어떤 역할을 하는가?
• RQ5 시스템이 최적의 훈련 제도로 수렴하는 조건는 무엇인가?

주요 결과

• 모델은 미분 게임에서 도출된 피드백 내쉬 균형을 통해 최적의 훈련 전략을 성공적으로 규명한다.
• 동적 프로그래밍은 훈련 시스템 내 각 에이전트의 최적 제어 정책을 순환적으로 계산할 수 있도록 한다.
• 연속적 및 이산적 수식 모두 일관된 최적 전략을 도출하여 모델의 강건성을 검증한다.
• 프레임워크는 개인의 훈련 노력과 집단적 노동력 생산성 간의 상충 관계를 규명함으로써 전략적 계획 수립을 지원한다.
• 결과는 최적의 훈련 정책가 에이전트 상태, 인centive, 시스템 전체 제약 조건 간 상호작용에 따라 달라짐을 보여준다.
• 모델은 대규모 노동력 개발 프로그램에서 정책 설계를 위한 확장 가능한 수학적 기반을 제공한다.