중국식 레스토랑 게임 부정 네트워크 외부성 하의 학습 이론

초록

본 논문은 사회학습과 부정적 네트워크 외부성이 동시에 작용하는 의사결정 상황을 모델링하기 위해, 비전략적 중국식 레스토랑 과정을 전략적 게임으로 확장한 “중국식 레스토랑 게임”을 제안한다. 에이전트들은 순차적으로 테이블을 선택하면서 자신의 효용을 극대화하고, 동시에 다른 에이전트의 선택이 자신의 효용을 감소시키는(부정 외부성) 상황을 고려한다. 저자는 최적 전략을 유도하고, 재귀적 방법을 통해 각 에이전트의 최적 행동을 계산한다. 시뮬레이션을 통해 학습 효과와 부정 외부성이 서로 어떻게 상호작용하는지를 분석한다.

상세 분석

이 논문은 기존의 사회학습 모델과 네트워크 외부성 모델을 통합하려는 시도에서 출발한다. 전통적인 사회학습 연구는 에이전트가 다른 에이전트의 행동을 관찰·학습하여 자신의 신념을 업데이트하고, 그 신념에 기반해 최적 행동을 선택한다는 가정에 머물렀다. 반면 네트워크 외부성 연구는 에이전트 간 행동이 서로의 보상에 직접적인 영향을 미치는(양의 혹은 음의) 구조를 다루지만, 학습 메커니즘을 포함하지 않았다. 저자는 이 두 축을 동시에 고려하기 위해, 무한 테이블과 무한 좌석을 갖는 중국식 레스토랑 프로세스를 전략적 게임으로 변형한다.

핵심 아이디어는 “테이블 선택”이라는 행동이 두 가지 정보를 동시에 전달한다는 점이다. 첫째, 에이전트는 자신의 선택을 통해 시스템 상태(θ)에 대한 정보를 다른 에이전트에게 암시한다. 둘째, 동일 테이블에 다른 에이전트가 몰릴수록 개인 효용이 감소하는 부정 외부성이 작용한다. 따라서 각 에이전트는 (i) 현재까지 관측된 신호와 이전 에이전트들의 선택을 바탕으로 θ에 대한 사후 확률을 계산하고, (ii) 그 사후 확률을 이용해 각 테이블의 기대 효용을 추정한다. 여기서 효용 함수 U(R_x, n_x)는 테이블 크기 R_x에 비례하고, 같은 테이블에 할당된 인원 n_x에 반비례하도록 설계되어 부정 외부성을 명시적으로 반영한다.

논문은 먼저 완전 정보(θ가 알려진) 상황에서 동시 게임과 순차 게임을 분석한다. 동시 게임에서는 모든 에이전트가 같은 정보를 가지고 동시에 선택하므로, Nash 균형이 존재하고, 이는 각 테이블에 대한 기대 효용이 동일해지는 조건으로 도출된다. 순차 게임에서는 선행 에이전트가 선택한 테이블이 후속 에이전트에게 신호가 되며, 후속 에이전트는 이를 활용해 보다 정확한 θ 추정이 가능해진다. 이 경우 “선점 효과”가 발생하여 초기 에이전트가 더 큰 기대 효용을 얻을 가능성이 높아진다.

그 다음, θ가 불확실하고 에이전트가 사전 신호(광고, 리뷰 등)를 통해 부분 정보를 얻는 상황을 다룬다. 여기서 저자는 베이즈 업데이트와 동적 프로그래밍을 결합한 재귀적 알고리즘을 제시한다. 각 단계에서 에이전트 i는 (1) 현재까지 수집된 신호와 이전 선택을 바탕으로 θ에 대한 사후 분포를 계산하고, (2) 각 가능한 행동 x에 대해 기대 효용 E