신뢰성 있는 샘플 제공을 위한 딥러닝 기반 인센티브 메커니즘

본 논문은 데이터 집약적인 머신러닝 시스템, 특히 딥러닝 모델을 학습시키기 위해 필요한 신뢰할 수 있는 샘플 \((x,y)\) 을 대규모로 확보하는 문제에 초점을 맞춘다. 전통적인 정보 엘리시테이션 연구는 에이전트에게 복잡한 확률분포 \(p(x)\) 그 자체를 보고하도록 요구하지만, 인간이 고차원·연속형 분포를 정확히 기술하는 것은 인지적 부담이 크다. 따라서 저자들은 “샘플 엘리시테이션(sample elicitation)”이라는 새로운 문제 정의를 제시한다. 여기서는 에이전트가 직접 \(x_i\sim p(x)\) 을 샘플링해 보고하도록 하고, 메커니즘 설계자는 이러한 보고가 진실된지 평가할 수 있는 스코어링 함수를 구축한다. 문제 설정은 두 가지 시나리오로 나뉜다. 첫 번째는 메커니즘 설계자가 일정량의 ‘그라운드 트루스’ 샘플을 보유하고 있는 경우이며, 두 번째는 오직 에이전트가 보고한 샘플만을 이용해야 하는 상황이다. 두 경우 모두 에이전트가 자신의 샘플을 임의의 변환 \(r_i(\cdot)\) 으로 보고할 수 있음을 가정한다. 목표는 스코어 \(S\) 가 다음을 만족하도록 설계하는 것이다. 진실된 보고에 대한 기대 스코어가 변조된 보고에 대한 기대 스코어보다 최소 \(\epsilon\) 만큼 크게 하고, 이 차이가 \(1-\delta\) 확률로 유지되게 한다. 이를 (δ, ε)‑properness 혹은 (δ, ε)‑베이지안 내시 균형(BNE)이라고 부른다. 핵심 이론적 도구는 f‑다이버전스 \(D_f(Q\|P)\) 이다. 기존 연구에서 적절한 스코어링 룰은 Bregman 다이버전스와 연결되지만, 고차원·연속형 데이터에서는 밀도함수 자체를 알 수 없으므로 변분 형태를 이용한다. Fenchel 이중성을 적용하면 \(D_f(Q\|P)=\max_{t}\mathbb{E}_{Q}