[논문 리뷰] Overabundant Information and Learning Traps

Annie Liang, Xiaosheng Mu|arXiv (Cornell University)|2018. 05. 21.

Game Theory and Applications참고 문헌 6인용 수 4

한 줄 요약

이 논문은 정보 과잉 환경에서, 에이전트들이 예측할 unknown 상태를 위해 다수의 상관관계가 있는 정보원들 중에서 선택하는 사회적 학습을 연구한다. 사회가 효율적 학습을 달성할지 아니면 열악한 정보원이 지배하고 학습이 영구적으로 느려지는 '학습 함정'에 빠질지를 결정짓는 핵심 조건—모든 혼란 변수를 복원하기 위해 K개의 소스가 필요한지 여부—를 규명한다.

ABSTRACT

We develop a model of social learning from overabundant information: Short-lived agents sequentially choose from a large set of (flexibly correlated) information sources for prediction of an unknown state. Signal realizations are public. We demonstrate two starkly different long-run outcomes: (1) efficient information aggregation, where the community eventually learns as fast as possible; (2) "learning traps," where the community gets stuck observing suboptimal sources and learns inefficiently. Our main results identify a simple property of the signal correlation structure that separates these outcomes. In both regimes, we characterize which sources are observed in the long run and how often.

연구 동기 및 목표

• 에이전트들이 다수의 유연한 상관관계가 있는 정보원 집합에서 선택하는 상황에서 사회적 학습을 모델링하기 위해.
• 과거의 정보 선택이 장기적 학습 효율성에 어떻게 영향을 미치는지 분석하기 위해.
• 사회가 최적의 정보 집약으로 수렴할지 아니면 비효율적 학습에 갇힐지를 결정짓는 구조적 조건을 규명하기 위해.
• 효율적 및 함정 상태 모두에서 장기적으로 관찰되는 소스들과 그 빈도를 기술하기 위해.

제안 방법

• 에이전트들을 순차적으로 많은 정보원 집합에서 선택하도록 모델링하며, 각 정보원은 수익 관련 상태와 혼란 변수의 노이즈 있는 선형 조합이다.
• 신호 실현값이 공개된다고 가정하여, 예측은 관측된 신호의 전체 역사를 기반으로 한다.
• 에이전트들이 사후 분산을 최소화하기 위해 선택한 소스에 따라 믿음이 갱신되는 베이지안 업데이트 프레임워크를 사용한다.
• 환자 한계에서 정보 노출과 사회적 복지를 최대화하는 신호 빈도를 최적의 장기적 빈도로 정의한다.
• 모든 혼란 항목과 수익 관련 상태를 함께 복원할 수 있는 소스 집합인 '최소 스패닝 세트' 개념을 도입한다.
• 최적 설계 이론(예: Chaloner, 1984)의 결과를 활용하여 신호 사용의 渐近 빈도를 기술한다.

실험 결과

연구 질문

• RQ1 정보 과잉 상황에서 비록 정보가 과잉되어도 사회적 학습이 효율적인 정보 집약을 달성할 수 있는 조건은 무엇인가?
• RQ2 정보원 간의 상호보완성으로 인해 발생하는 외부성은 장기적 학습 행동을 어떻게 왜곡하는가?
• RQ3 신호 상관 구조의 어떤 구조적 특성이 사회가 학습 함정을 피하거나 빠지게 하는지를 결정하는가?
• RQ4 혼란 변수 존재 하에서 사전 믿음은 장기적 정보원 선택에 어떻게 영향을 미치는가?
• RQ5 에이전트들이 합리적이고 미래 지향적이어도 학습 함정이 지속될 수 있는가?

주요 결과

• 모든 혼란 변수를 복원하기 위해 K개의 소스가 필요하다면(K는 알려지지 않은 수치), 어떤 사전 믿음에서든 장기적 정보 확보는 효율적이다.
• 모든 혼란 항목을 복원하지 않더라도 수익 관련 상태를 학습할 수 있다면, 에이전트들은 열악한 정보원에 갇힐 수 있으며, 이는 비효율적으로 느린 학습을 초래한다.
• 수익 관련 상태를 복원할 수 있는 K개 미만의 소스 집합은 일부 사전 믿음 하에서 학습 함정을 초래한다.
• 학습 함정 상황에서는 남아 있는 알려지지 않은 요소에 의해 혼란스러운 소스를 지속적으로 과소평가하지만, 그 소스는 점점 최적에 가까워지기조차 한다.
• 학습 함정에서의 장기적 비효율성은 최적 소스와 열악한 소스 간의 분산 감소 격차로 정량적으로 제한된다.
• 충분히 낮은 할인 요소에서는, 향후 이득이 가능하더라도 에이전트는 부분공간 최적 소스에서 벗어나지 않으며, 이는 즉각적인 비용이 높기 때문이다.