[논문 리뷰] Reasoning in Bayesian Opinion Exchange Networks Is PSPACE-Hard

Jan Hązła, Ali Jadbabaie외 2명|arXiv (Cornell University)|2018. 09. 04.

Opinion Dynamics and Social Influence참고 문헌 8인용 수 11

한 줄 요약

이 논문은 합리적인 에이전트가 이웃의 행동에 기반해 신념을 갱신하는 베이지안 의견 교환 네트워크에서의 추론이, 조작 조차도 PSPACE-난이도임을 입증한다. 저자들은 어떤 에이전트의 사후 신념이 거의 확실하거나 거의 불가능한지 판단하는 것이 계산적으로 비가역적임을 보이며, 완전히 합리적인 사회적 학습 모델에서 근본적인 복잡성 장벽을 드러낸다.

ABSTRACT

We study the Bayesian model of opinion exchange of fully rational agents arranged on a network. In this model, the agents receive private signals that are indicative of an unkown state of the world. Then, they repeatedly announce the state of the world they consider most likely to their neighbors, at the same time updating their beliefs based on their neighbors' announcements. This model is extensively studied in economics since the work of Aumann (1976) and Geanakoplos and Polemarchakis (1982). It is known that the agents eventually agree with high probability on any network. It is often argued that the computations needed by agents in this model are difficult, but prior to our results there was no rigorous work showing this hardness. We show that it is PSPACE-hard for the agents to compute their actions in this model. Furthermore, we show that it is equally difficult even to approximate an agent's posterior: It is PSPACE-hard to distinguish between the posterior being almost entirely concentrated on one state of the world or another.

연구 동기 및 목표

• 베이지안 의견 교환 네트워크에서의 신념 갱신의 계산 복잡도를 엄밀히 규명하는 것.
• 에이전트의 사후 신념을 계산하거나 근사화하는 것이 고정 정밀도 요구 조건이 있더라도 비가역적임을 보여주는 것.
• 비합리적 사회적 학습 모델에서의 비가역성에 대한 직관적 주장과 공식적인 계산 복잡도 증거 사이의 격차를 메우는 것.
• 이전의 NP-난이도 결과를 PSPACE-난이도로 확장하여, 베이지안 네트워크 모델에서 더 강력한 비가역성 수준을 보여주는 것.
• 합리적이고 네트워크 기반 환경에서 거의 확실한 신념과 거의 불가능한 신념을 구분하는 데의 난이도를 조사하는 것.

제안 방법

• PSPACE-완전 문제인 TQBF를 베이지안 네트워크에서의 의견 갱신 문제로의 환원을 구성하는 것.
• 개인 신호와 신념 전파를 사용하여 논리 게이트와 양자화자를 시뮬레이션하는 에이전트로 구성된 네트워크 구조를 설계하는 것.
• 변수 수에 따라 지수적으로 증가하는 후행 확률을 보장하기 위해 신념 강화 메커니즘을 사용하는 것.
• 후행 확률 기반으로 가장 가능성 있는 상태를 방송하는 베이지안 갱신 엔진으로 에이전트를 모델링하는 것.
• 핵심 관측자 에이전트에서의 가능도 비율을 분석하여, 부울 공식의 만족 할당 수를 인코딩함을 보여주는 것.
• 한 상태로의 사후 집중 여부를 구분하는 것이 조작 조차도 PSPACE-난이도임을 증명하는 것.

실험 결과

연구 질문

• RQ1 베이지안 의견 교환 네트워크에서 에이전트의 행동을 계산하는 데 계산적으로 어려움이 있는가?
• RQ2 이 모델에서 에이전트의 사후 신념을 효율적으로 근사화할 수 있는가?
• RQ3 완전히 합리적이고 네트워크 기반의 에이전트에서 신념 갱신의 정확한 계산 복잡도는 무엇인가?
• RQ4 신념 집중 정도를 근사화하는 데에도 문제가 남아 있는가?
• RQ5 비가역성은 NP를 초월해 PSPACE로 확장될 수 있으며, 이는 합리적 의견 동적 과정의 진정한 복잡도를 반영하는가?

주요 결과

• 베이지안 의견 교환 모델에서 에이전트의 행동을 계산하는 것은 PSPACE-난이도이다.
• 에이전트의 사후 신념을 근사화하는 것도 PSPACE-난이도이며, 한 상태로의 집중 여부를 구분하는 데에도 마찬가지다.
• 핵심 관측자 에이전트에서의 가능도 비율은 부울 공식의 만족 할당 수를 작은 오차 범위 내에서 인코딩한다.
• 환원을 통해 지수적으로 작은 범위 내의 신념 집중이 다항 시간 내에 결정 불가능하다는 것을 보여주며, 모델에 대한 공통 지식이 있더라도 마찬가지다.
• 이 결과는 이전의 NP-난이도 결과를 강화하여, 문제의 난이도가 PSPACE의 가장 어려운 문제들과 동일하다는 것을 보여준다.
• 완전히 합리적이고 진실을 추구하는 에이전트이며, 모델에 대한 공통 지식이 있더라도 계산 비가역성은 유지된다.