집단 지능을 위한 최적 인센티브 설계

**1. 서론 및 연구 동기** 집단 지능은 개별 구성원의 능력을 넘어서는 문제 해결 능력으로, 다양성이 핵심 전제조건이다. 그러나 사회적 모방 압력은 다양성을 감소시켜 집단 예측의 정확도를 저하시킨다. 기존 연구는 집단 지능이 어떻게 발생하는지를 설명했지만, 이를 정량적으로 최적화하는 인센티브 설계는 미비했다. 저자는 이러한 공백을 메우기 위해 진화 게임 이론을 활용한 집단 예측 모델을 구축하고, 다양한 보상 메커니즘이 다양성과 정확도에 미치는 영향을 분석한다. **2. 모델 설정** - **문제 정의**: 이진 결과 Y 는 n개의 독립적인 이진 요인 xᵢ∈{−1,1} 와 양의 가중치 βᵢ 의 가중합의 부호로 결정된다. - **에이전트 행동**: 각 에이전트는 한 시점에 하나의 요인에만 주의를 기울이며, 해당 요인의 실제 값을 그대로 투표한다. 요인 i에 주의를 기울이는 에이전트 비율을 ρᵢ 라 한다. - **집단 예측**: ˆY = sign(∑ρᵢxᵢ) 로 정의되며, 집단 정확도 C 는 ˆY와 Y가 일치할 확률이다. **3. 보상 구조** 정확한 투표를 한 에이전트에게만 보상이 주어지며, 보상 함수 f(zᵢ) 는 동일한 요인 값을 가진 다른 에이전트 비율 zᵢ 에 의존한다. 세 가지 보상 방식을 도입한다. - **이진 보상**: f(zᵢ)=1 (고정 보상) - **시장 보상**: f(zᵢ)=1/zᵢ (전체 보상을 정확한 에이전트가 나눔) - **소수 보상**: f(zᵢ)=1‑H(zᵢ‑½) (절반 이하가 동일하게 맞출 때만 보상) **4. 진화 동역학** 에이전트는 보상이 높은 전략을 모방한다. 복제자 방정식 ρ̇ᵢ=ρᵢ