[论文解读] Learning the Structure and Parameters of Large-Population Graphical Games from Behavioral Data

Jean Honorio, Luis E. Ortiz|arXiv (Cornell University)|Jun 16, 2012

Game Theory and Applications参考文献 75被引用 1

一句话总结

本文提出了一种基于纯策略纳什均衡作为生成模型的最大似然估计框架，用于从行为数据中学习线性影响博弈（LIGs）的结构与参数。该方法建立了泛化界，通过凸损失最小化证明了其合理性，并在合成数据和美国国会议员投票记录上验证了该方法的有效性，展示了其在大规模网络中进行因果战略推断的实用性。

ABSTRACT

We consider learning, from strictly behavioral data, the structure and parameters of linear influence games (LIGs), a class of parametric graphical games introduced by Ir-fan and Ortiz [2011, 2013]. LIGs facilitate causal strategic inference: Making inferences from causal interventions on stable behavior in strategic settings. Applications include the identification of the most influential individuals in large (social) networks. Such tasks can also support policy-making analysis. Motivated by the computational work on LIGs, we cast the learning problem as maximum-likelihood estimation (MLE) of a generative model defined by pure-strategy Nash equilibria (PSNE). Our simple formula-tion uncovers the fundamental interplay between goodness-of-fit and model complexity: good models capture equilibrium behavior within the data while controlling the true number of equilibria, including those unobserved. We provide a generalization bound establishing the sample complexity for MLE in our framework. We propose several algorithms including convex loss minimization (CLM) and sigmoidal approximations. We formally prove LIGs have a small true number of PSNE, with high probability; thus, CLM is sound. We illustrate our approach on synthetic data and real-world U.S. congressional voting records. We briefly discuss our learning framework’s generality and potential applicability to general graphical games. 1

研究动机与目标

• 通过仅从行为数据中学习线性影响博弈（LIGs）的结构与参数，实现在大规模网络中的因果战略推断。
• 解决在仅能观测到均衡的情况下推断战略依赖关系与影响模式的挑战。
• 通过控制真实存在的纯策略纳什均衡（PSNE）数量（包括未观测到的）来平衡模型复杂度与拟合优度。
• 为LIGs提供一个理论基础扎实的学习框架，并具备样本复杂度保证。
• 展示该方法在现实世界战略数据（如立法投票行为）中的适用性。

提出的方法

• 将学习问题建模为基于线性影响博弈（LIGs）中纯策略纳什均衡（PSNE）的生成模型的最大似然估计（MLE）。
• 使用凸损失最小化（CLM）高效优化似然目标，利用损失函数的凸性。
• 应用S形近似方法处理似然函数中的非凸成分，从而实现可扩展的优化。
• 建立一个泛化界，将样本复杂度与模型复杂度及真实PSNE数量联系起来。
• 证明LIGs在高概率下具有较少的真实PSNE数量，从而支持将CLM作为合理的学习方法。
• 设计算法，联合从观测到的均衡中学习图结构与影响参数，最小化经验风险。

实验结果

研究问题

• RQ1 我们能否仅从行为数据中准确学习大规模群体图博弈的结构与参数，而无需事先知晓网络结构或收益函数？
• RQ2 模型复杂度——特别是纯策略纳什均衡数量——如何影响所学习LIGs的泛化性能？
• RQ3 使用最大似然估计可靠学习LIGs所需的样本复杂度是多少？
• RQ4 考虑到PSNE的内在结构，凸损失最小化是否是一种合理且有效的LIGs学习方法？
• RQ5 该框架能否应用于现实世界的战略数据（如立法投票模式），以识别关键影响者？

主要发现

• 所提出的MLE框架建立了泛化界，量化了可靠学习LIGs所需的样本复杂度。
• 理论分析证明，LIGs在高概率下具有较少的真实纯策略纳什均衡数量，支持使用凸损失最小化。
• 由于LIGs中PSNE的内在复杂度较低，凸损失最小化（CLM）被证明是一种合理的学习方法。
• S形近似方法有效处理了似然函数中的非凸成分，实现了可扩展的优化。
• 该框架在合成数据和现实世界美国国会议员投票记录上成功识别出有意义的影响结构。
• 该方法能够从观测到的均衡行为中实现因果战略推断，例如识别大规模网络中的关键影响者。