모방 학습 경로의 예측 가능성 분석

초록

본 논문은 NK 모델 기반의 피트니스 랜드스케이프에서 에이전트들이 전역 최적점을 찾기 위해 수행하는 모방 학습 탐색의 경로 집합을 분석한다. 시작점과 종료점이 동일한 경우, 두 가지 정량적 지표인 ‘예측 가능성’(두 경로가 동일할 확률)과 ‘평균 경로 발산’(경로 간 차이 정도)을 도입해 경로의 결정성을 평가한다. 결과는 거친(리짓) 랜드스케이프일수록 예측 가능성이 높아지지만, 인구 규모와 모방 강도(p)가 경로 발산에 큰 영향을 미쳐 랜드스케이프 자체의 거칠기보다 검색 파라미터가 더 지배적임을 보여준다. 또한 학습 경로의 ‘거칠기’는 전체 랜드스케이프의 평균 거칠기보다 항상 크게 나타난다.

상세 분석

이 연구는 진화 생물학에서 차용한 피트니스 랜드스케이프 메타포를 관리 과학 및 집단 의사결정 분야에 적용한다. NK 모델(N=12, K=0,2,4,11)로 정의된 이산적 이진 문자열 공간을 탐색 대상으로 삼아, M명의 에이전트가 동기화된 업데이트 규칙에 따라 탐색한다. 각 시간 단계에서 가장 높은 피트니스를 가진 ‘모델 에이전트’를 선정하고, 나머지 에이전트는 확률 p로 모델의 한 비트를 복제하거나, 1‑p 확률로 무작위 비트를 뒤집는다. 이때 p=0은 독립 탐색, p=1은 모델만이 무작위 변이를 겪고 나머지는 완전 동조하는 극단 상황을 의미한다.

경로의 예측 가능성(P)와 평균 경로 발산(D)라는 두 통계량을 도입한 점이 핵심이다. P는 동일 시작·종료 조건 하에 여러 시뮬레이션을 수행했을 때 동일한 비트 변환 순서를 보인 경로의 비율이며, D는 두 경로 사이의 편집 거리(비트 차이) 평균값이다. 실험 결과, K가 클수록(즉, 랜드스케이프가 더 거칠수록) P가 상승한다. 이는 다수의 로컬 최대점이 존재하면서 에이전트가 동일한 ‘흡입구’(attractor)로 끌려가는 경향이 강해지기 때문이다. 반면 D는 p와 M에 민감하게 변한다. 인구 규모 M을 늘리면 모델 에이전트가 차지하는 비중이 커져 전체 집단이 모델에 빠르게 동조하고, 따라서 경로 간 변이가 감소한다. 마찬가지로 p를 높이면 모방 빈도가 증가해 탐색이 더 ‘결정론적’으로 변하고, 경로 발산이 억제된다. 즉, 랜드스케이프 자체의 구조보다 탐색 파라미터가 경로 다양성을 좌우한다는 결론에 도달한다.

또한, 경로 거칠기 ρ를 정의해 경로 상의 피트니스 값과 순수 가법적 피트니스(전역 최대점과 각 비트 차이에 기반한 선형 근사) 사이의 RMS 차이를 측정하였다. ρ는 전체 랜드스케이프의 평균 거칠기 ρ̂와 비교했을 때 항상 더 큰 값을 보였으며, M과 p가 증가할수록 ρ도 단조 증가했다. 이는 모방 과정이 로컬 최대점에 머무르게 하여 비가법적 상호작용을 더 많이 경험하게 만든다.

결론적으로, 이 논문은 (1) 거친 랜드스케이프가 경로 예측 가능성을 높이지만, (2) 인구 규모와 모방 강도가 경로 발산과 거칠기를 결정한다는 두 축을 제시한다. 이는 집단 의사결정에서 ‘얼마나 많은 사람을 참여시킬 것인가’와 ‘얼마나 강하게 모범 사례를 따르게 할 것인가’가 탐색 효율성과 다양성에 미치는 영향을 정량적으로 이해하는 데 기여한다.