구조적 인과 의사결정 과정의 설계 및 구성
요약
본 논문은 컴퓨팅 시스템의 경제학을 모델링하기 위해 두 가지 새로운 종류의 인과 의사결정 에이전트 모델, 즉 구조적 인과 의사결정 모델(SCDMs)과 이를 확장한 구조적 인과 의사결정 과정(SCDPs)을 제안합니다. SCDMs는 변수와 결정 간의 인과 관계를 명시적으로 표현하며, 특히 에이전트 결정이 특정 인과 전제 조건에 의해 제한될 수 있다는 점을 모델링할 수 있습니다. SCDP는 이러한 구조적 인과 의사결정 과정의 구성 가능성을 활용하여, 합리적 믿음 형식을 가정하지 않으면서도 기억 형성 및 변수 할인 같은 복잡한 동적 환경에서의 자원 합리성 에이전트 행동을 효과적으로 모델링할 수 있는 강력하고 표현력이 뛰어난 프레임워크를 제공합니다.
핵심 포인트
- SCDMs는 인과 관계를 명시적으로 표현하여, 결정이 특정 전제 조건에 의해 제한되는 상황을 모델링할 수 있게 합니다.
- SCDP는 SCDM의 구성 가능성을 활용하며, 합리적 믿음 형식을 가정하지 않아 POMDP보다 더 높은 표현력을 가집니다.
- SCDP는 기억 형성 과정(memory formation)과 변수 할인(variable discounting)을 내생적으로 모델링할 수 있어 자원 합리성 에이전트 모델링에 유용합니다.
- 제안된 프레임워크는 디지털 경제 정책 시뮬레이션, 정보 시스템 메커니즘 설계, 사이버 인프라 트윈 모델링 등 다양한 사회과학 및 공학 분야에 적용 가능합니다.
우리는 의사결정 에이전트의 새로운 두 가지 종류의 인과 모델을 제시합니다. 우리의 접근법은 컴퓨팅 시스템의 경제학을 모델링하는 필요성에 의해 동기가 부여되었습니다. 이러한 시스템은 하위 시스템으로 구성되어 있으며, 인지 자원과 가치 할인에 내생적 한계를 보일 수 있습니다.
구조적 인과 의사결정 모델 (SCDMs) 은 구조적 인과 영향 모델 (SCIMs) 을 확장합니다. SCIMs 와 마찬가지로, SCDMs 는 모델 변수와 에이전트 결정의 보상 사이의 인과 관계를 명시적으로 표현합니다. 또한, 에이전트 결정은 그 인과 전제 조건에 의해 제한될 수 있으며, SCDMs 는 확률 분포나 구조적 방정식이 주어진 것이 없는 열린 루트 변수를 가질 수 있습니다.
우리는 SCDMs 가 구성 가능성 (composability) 의 잘 정의되고 계산적으로 유용한 특성을 가지고 있음을 보여줍니다. SCDMs 를 바탕으로, 우리는 할인 변수가 있는 반복적인 SCDM 을 구조적 인과 의사결정 과정 (SCDP) 으로 정의합니다. SCDPs 는 SCDMs 의 유용한 구성 가능성 특성에 이점을 얻습니다. 또한, SCDPs 는 합리적 믿음 형성을 가정하지 않기 때문에 POMDPs 보다 엄격히 더 표현력이 뛰어납니다. 실제로, SCDP 는 기억 형성 과정을 내생적으로 모델링할 수 있으며, 따라서 동적 환경에서 자원 합리성 에이전트를 모델링하는 데 유용합니다.
SCDPs 는 또한 사회과학 모델링에 널리 사용되는 도구인 변수 할인 (variable discounting) 을 모델링할 수 있습니다. 우리는 SCDPs 가 디지털 경제의 정책 시뮬레이션, 정보 시스템의 메커니즘 설계, 그리고 사이버 인프라의 디지털 트윈 모델링에 유용한 프레임워크라고 주장합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기