[논문 리뷰] Random Utility Theory for Social Choice

Hossein Azari, David M. Parks외 1명|arXiv (Cornell University)|2012. 11. 11.

Consumer Market Behavior and Pricing참고 문헌 29인용 수 78

한 줄 요약

이 논문은 몬테카를로 기대값 최대화(MC-EM)를 사용하여 일반적인 랜덤 유틸리티 모델(RUMs)에 대한 베이지안 추론 프레임워크를 개발하며, 로그우도 함수가 볼록이고 전역 최대값이 유한한 조건을 규명한다. 이는 라오-블랙웰라이즈드 깁스 샘플링을 통한 잠재 유틸리티 추정을 통해 플래켓-루스 및 정규기반 모델을 포함한 다양한 RUMs에서 확장 가능하고 정확한 매개변수 추정을 가능하게 한다.

ABSTRACT

Random utility theory models an agent's preferences on alternatives by drawing a real-valued score on each alternative (typically independently) from a parameterized distribution, and then ranking the alternatives according to scores. A special case that has received significant attention is the Plackett-Luce model, for which fast inference methods for maximum likelihood estimators are available. This paper develops conditions on general random utility models that enable fast inference within a Bayesian framework through MC-EM, providing concave loglikelihood functions and bounded sets of global maxima solutions. Results on both real-world and simulated data provide support for the scalability of the approach and capability for model selection among general random utility models including Plackett-Luce.

연구 동기 및 목표

• 플래켓-루스 모델을 초월한 일반적인 랜덤 유틸리티 모델(RUMs)에 대한 효율적인 추론 방법의 부족을 해결하기 위해.
• 위치가족 RUMs에서 로그우도 함수가 볼록이고 전역 최대값 집합이 유한한 이론적 조건을 규명하기 위해.
• 잠재 유틸리티 샘플링을 사용한 몬테카를로 기대값 최대화(MC-EM)를 통해 RUMs에서 확장 가능하고 정확한 매개변수 추정을 가능하게 하기 위해.
• 정규, 구름벨, 라플라스, 코시 분포를 가진 유틸리티를 포함한 다양한 RUMs 간의 모델 선택을 지원하기 위해.
• 노이즈가 있거나 부분적인 선호 정보로부터 순위 집계를 수행하는 사회적 선택 응용 분야를 위한 실용적 프레임워크를 제공하기 위해.

제안 방법

• 각 대안의 유틸리티가 위치(평균) θj로 매개변수화된 지수족 분포에서 독립적으로 추출된다고 모델링하며, RUMs를 정의한다.
• 잠재 유틸리티 X를 관측되지 않은 변수로 삼아 EM 알고리즘을 적용하며, E단계에서는 완전 데이터 로그우도의 조건부 기대값을 추정하고, M단계에서는 기대 로그우도의 최대화를 수행한다.
• 각 투표자 i와 그의 순위 πi에서의 위치 j에 대해, 이웃 유틸리티 조건부의 절단된 지수족 분포에서 xπi(j)를 샘플링함으로써 E단계를 근사하기 위해 절단된 깁스 샘플링을 사용한다.
• 원시 샘플에 의존하는 것보다 조건부 기대값 E[T(xij) | x−j, πi, θt]을 계산하여 몬테카를로 추정치의 분산을 줄이기 위해 라오-블랙웰라이제이션을 적용한다.
• 각 단계당 N개의 깁스 샘플과 M개의 내부 샘플을 사용하여 충분통계량 기대값 Sj^i,t+1을 몬테카를로 평균화로 근사한다.
• 위치가족 RUMs에서 로그우도의 볼록성과 전역 최대값 집합의 유한성을 보장하는 이론적 조건(정리 1 및 정리 2)을 유도한다.

실험 결과

연구 질문

• RQ1 어떤 분포 가족 조건 하에서 RUMs의 로그우도 함수가 볼록하고 전역 최대값 집합이 유한한가?
• RQ2 라오-블랙웰라이즈드 깁스 샘플링을 사용한 MC-EM는 플래켓-루스 모델을 초월한 일반 RUMs에서 확장 가능하고 정확한 추론을 가능하게 하는가?
• RQ3 실제 데이터 및 시뮬레이션된 순위 데이터에서 제안된 MC-EM 프레임워크의 수렴성과 정확도는 어떠한가?
• RQ4 이 프레임워크는 사회적 선택 응용 분야에서 정규, 구름벨, 라플라스 등 다양한 RUMs 간의 모델 선택을 지원할 수 있는가?
• RQ5 절단 및 조건부 샘플링은 E단계 근사의 효율성과 분산에 어떤 영향을 미치는가?

주요 결과

• 위치가족 RUMs에서 로그우도 함수가 볼록이고 전역 최대값 집합이 유한한 조건이 이론적으로 규명되었으며, 이는 EM 기반 추론의 수렴을 보장한다.
• 라오-블랙웰라이즈드 깁스 샘플링을 사용한 MC-EM 알고리즘은 정규, 구름벨, 라플라스, 코시 분포를 가진 유틸리티를 포함한 일반 RUMs에서 효율적이고 정확한 매개변수 추정을 가능하게 한다.
• 실제 및 시뮬레이션 데이터셋에서 확장 가능한 추론이 가능하며, 사회적 선택 응용 분야에서의 강건성과 실용성을 입증한다.
• 이 프레임워크는 최대우도추정(MLE)을 지원할 수 있으며, 사전분포를 사용한 최대사후확률추정(MAP)으로도 확장 가능하지만, 사회적 선택 설정에서는 사전분포가 종종 타당성이 떨어진다.
• 깁스 샘플링에서 절단된 지수족 분포의 사용은 순위 제약 조건 하에서 유효한 샘플링을 보장하며, 라오-블랙웰라이제이션은 추정기 분산을 크게 감소시킨다.
• 실험 결과는 방법의 확장 가능성과 효과성을 확인하였으며, 다양한 RUMs에서 안정적인 수렴과 진짜 유틸리티 매개변수의 정확한 복원을 보여준다.