[논문 리뷰] Mining Determinism in Human Strategic Behavior

Rustam Tagiew|arXiv (Cornell University)|2012. 11. 11.

Experimental Behavioral Economics Studies참고 문헌 31인용 수 3

한 줄 요약

이 논문은 심리학 이론에 의존하지 않고 인간의 전략적 의사결정에서 결정론적 행동 패턴을 발견하기 위한 데이터 마이닝 접근법을 제안한다. 반복 띠지보자(가위바위보)와 반복 1인당 게임 두 가지 실험 데이터셋에 대해 교차검증을 수행한 결과, SMO 알고리즘은 RPS에서 46.48%의 예측 정확도를 기록했으며, 1인당 게임에서는 95.42%의 정확도를 기록하여 이전의 비결정론적 모델을 뛰어넘었다.

ABSTRACT

This work lies in the fusion of experimental economics and data mining. It continues author's previous work on mining behaviour rules of human subjects from experimental data, where game-theoretic predictions partially fail to work. Game-theoretic predictions aka equilibria only tend to success with experienced subjects on specific games, what is rarely given. Apart from game theory, contemporary experimental economics offers a number of alternative models. In relevant literature, these models are always biased by psychological and near-psychological theories and are claimed to be proven by the data. This work introduces a data mining approach to the problem without using vast psychological background. Apart from determinism, no other biases are regarded. Two datasets from different human subject experiments are taken for evaluation. The first one is a repeated mixed strategy zero sum game and the second - repeated ultimatum game. As result, the way of mining deterministic regularities in human strategic behaviour is described and evaluated. As future work, the design of a new representation formalism is discussed.

연구 동기 및 목표

• 심리학적 또는 게임 이론적 가정에 의존하지 않고 인간의 전략적 행동에서 결정론적 규칙를 식별하는 것.
• 데이터 마이닝 기법이 실험 게임 데이터에서 일관된 행동 패턴을 발견할 수 있는지 평가하는 것.
• 다양한 기계학습 알고리즘이 반복 게임에서 인간의 결정을 예측하는 데에 얼마나 성능이 좋은지 비교하는 것.
• 일반적인 인간 행동을 전략적 상호작용에서 모델링하기에 적합한 가설 공간을 개발하는 것.
• 발견된 결정론적 규칙에 기반하여 인간의 전략적 행동을 표현하기 위한 도메인 특화 형식을 설계하는 것.

제안 방법

• 가위바위보에서의 실험 게임 데이터를 7개 요소의 튜플로 변환: 자신의 과거 3개 수동, 상대방의 과거 3개 수동, 그리고 다음 자신의 수동.
• 복잡성을 줄이기 위해 전체 이력을 최근 3턴의 윈도우로 매핑하는 단순화 함수 S를 적용.
• 시간적 의존성을 유지하기 위해 순서가 지정된 분할을 사용한 10겹 교차검증을 수행.
• WEKA에서 제공하는 45개의 분류기들을 사용하여 가위바위보 데이터셋에서 명목형 다중 클래스 출력을 평가.
• 각 튜플이 제안자 수익 갱신, 수락자 수익 갱신, 수락자의 반응을 포함하는 1인당 게임 데이터셋에서 35개의 분류기 평가.
• 가설 발견 문제를 실질적 행동과 예측 행동 간 일치를 최대화하는 방식으로 가설 공간 내에서 설정.

실험 결과

연구 질문

• RQ1 심리학적 또는 게임 이론 모델에 의존하지 않고 데이터 마이닝을 통해 인간의 전략적 행동에서 결정론적 행동 규칙를 발견할 수 있는가?
• RQ2 반복 전략적 게임에서 인간의 결정을 예측하는 데에 가장 우수한 성능을 보이는 기계학습 알고리즘은 무엇인가?
• RQ3 데이터 마이닝 기반의 예측 성능은 기존의 비결정론적 모델에 비해 실험 게임에서 어떻게 비교되는가?
• RQ4 기존 게임 데이터의 역사적 정보로부터 관련 행동 패턴을 가장 잘 포착하는 최적의 단순화 함수 S는 무엇인가?
• RQ5 발견된 결정론적 규칙에서 일반적인 인간 전략적 행동을 위한 형식을 유도할 수 있는가?

주요 결과

• SMO 알고리즘은 가위바위보 데이터셋에서 46.48%의 예측 정확도를 기록했으며, Warglen의 비결정론적 모델보다 약 1% 높은 성능을 보였다.
• OneR 분류기에서는 '바위 이후 보를 선택하고, 보 이후 자르개를 선택하고, 자르개 이후 바위를 선택한다'는 단순한 결정론적 규칙를 발견했으며, 이는 RPS 데이터의 43.15%와 일치했다.
• 1인당 게임 데이터셋에서 SMO 및 기타 분류기들은 95.42%의 예측 정확도를 기록했으며, Pfeffer의 비결정론적 모델이 보고한 72%보다 뚜렷이 뛰어났다.
• 결정표 기반 알고리즘이 '수익이 변화하지 않으며 제안자의 수익도 향상되지 않는 경우 거절하라'는 규칙을 발견했으며, 이 규칙은 데이터의 95.15%에 적용되었다.
• 단순화 함수 S의 윈도우 크기를 줄이거나 늘리면 성능이 떨어졌으며, 이는 RPS에 대해 3턴 윈도우가 최적임을 시사한다.
• 복잡한 함수를 지원하는 SMO의 가설 공간은 인간 행동의 결정론적 규칙을 모델링하는 데 매우 효과적임이 밝혀졌다.