[논문 리뷰] Sample Complexity for Winner Prediction in Elections

Palash Dey, Arnab Bhattacharyya|arXiv (Cornell University)|2015. 05. 04.

Game Theory and Voting Systems참고 문헌 30인용 수 18

한 줄 요약

이 논문은 랜덤 샘플링을 사용하여 선거 승자를 예측하기 위해 필요한 표본 복잡도를 분석하며, 승리 여부의 여유를 고려한 확률적 승자 예측을 형식화하기 위해 (ε, δ)-승자 결정 문제를 도입한다. 일반적인 투표 규칙에 대해 날카러운 상한과 하한을 확립하여, 많은 실용적 상황에서 표본 크기가 ε와 δ에 대해 효율적으로 증가하는 것으로 보여준다.

ABSTRACT

Predicting the winner of an election is a favorite problem both for news media pundits and computational social choice theorists. Since it is often infeasible to elicit the preferences of all the voters in a typical prediction scenario, a common algorithm used for winner prediction is to run the election on a small sample of randomly chosen votes and output the winner as the prediction. We analyze the performance of this algorithm for many common voting rules.More formally, we introduce the (e, δ)-winner determination problem, where given an election on n voters and m candidates in which the margin of victory is at least en votes, the goal is to determine the winner with probability at least 1-δ. The margin of victory of an election is the smallest number of votes that need to be modified in order to change the election winner. We show interesting lower and upper bounds on the number of samples needed to solve the (e, δ)-winner determination problem for many common voting rules, including scoring rules, approval, maximin, Copeland, Bucklin, plurality with runoff, and single transferable vote. Moreover, the lower and upper bounds match for many common voting rules in a wide range of practically appealing scenarios.

연구 동기 및 목표

• 소규모 랜덤 샘플에서 선거 승자를 예측하는 문제를 형식화하기 위해.
• 승리 여유가 최소 εn일 때, 원하는 성공 확률(1−δ)을 달성하기 위해 필요한 최소 표본 수를 분석하기 위해.
• 스코링 규칙, 승인 투표, 막시민, 코플랜드, 뱅클린, 결선이 있는 다수결, 그리고 STV를 포함한 다양한 투표 규칙에 대해 표본 복잡도의 날카러운 상한과 하한을 유도하기 위해.
• 표본 복잡도가 효율적으로 경계되고, 많은 규칙에 대해 상한과 하한이 거의 일치하는 실용적 상황을 식별하기 위해.

제안 방법

• ε는 상대적 승리 여유이고 δ는 오류 확률인 (ε, δ)-승자 결정 문제를 도입한다.
• 랜덤 표본 수가 진정한 승자를 확률 1−δ 이상로 식별할 수 있도록 하기 위해 확률적 분석을 사용한다.
• 집중 부등식과 투표 규칙에 특화된 구조적 성질을 적용하여 표본 복잡도 경계를 도출한다.
• 다양한 투표 규칙에 걸쳐 상한(달성 가능한 표본 크기)과 하한(정보 이론적 한계)을 비교한다.
• 승자 예측의 어려움을 측정하기 위해 승리 여유를 핵심 매개변수로 활용한다.

실험 결과

연구 질문

• RQ1 승리 여유가 최소 εn일 때, 높은 확률(1−δ)로 선거 승자를 예측하기 위해 필요한 최소 랜덤 표본 수는 얼마인가?
• RQ2 다수결, 승인, 보르다와 같은 다양한 일반적인 투표 규칙에서 표본 복잡도 경계는 어떻게 달라지는가?
• RQ3 실용적인 선거 설정에서 상한과 하한이 거의 일치하는 매개변수 영역은 무엇인가?
• RQ4 표준 샘플링 분석에 쉽게 대응되지 않는 복잡한 규칙들, 예를 들어 STV와 뱅클린에 대해 날카러운 경계를 도출할 수 있는가?

주요 결과

• 스코링 규칙, 승인, 막시민을 포함한 많은 일반적인 투표 규칙에 대해 표본 복잡도는 날카러운 경계를 가지며, 실용적 영역에서 상한과 하한이 일치한다.
• 필요한 표본 수는 승리 여유 ε에 반비례하고, 오류 확률 δ의 로그에 비례하여 증가한다.
• 코플랜드, 뱅클린, 결선이 있는 다수결, 단일 이관 투표에 대해 날카러운 경계가 확립되어, 현실적인 조건에서 기반에 기반한 예측이 가능함을 보여준다.
• 개별 표에 민감도가 높은 규칙의 경우 표본 복잡도가 증가하지만, ε이 0에서 벗어나면 여전히 다룰 수 있는 수준을 유지한다.
• 승리 여유가 투표자 수의 일정한 비율일 경우, 필요한 표본 수는 O(log(1/δ)/ε²)이며, 이는 알려진 통계학적 학습 경계와 일치한다.