온라인 사회복지함수 기반 자원 배분

초록

본 논문은 한정된 자원을 다수의 개인에게 반복적으로 할당해야 하는 상황을 모델링하고, 각 개인의 기대 효용을 사회복지함수(SWF)로 집계한다. 저자는 단조성만으로 개별 효용에 대한 신뢰구간을 전체 복지에 대한 언제든지 유효한 신뢰구간으로 확장하는 이론을 제시하고, 이를 기반으로 SWF‑agnostic 알고리즘 SWF‑UCB를 설계한다. 알고리즘은 $ \tilde O(n+\sqrt{nkT}) $ 수준의 레지트를 달성하며, 가중 평균, Kolm, Gini 등 세 가지 대표적인 SWF에 대해 특화된 최적화 오라클을 제공한다. 실험은 $ \sqrt{T} $ 스케일링을 확인하고, 자원 수 $k$ 와 SWF 파라미터 간의 복잡한 상호작용을 드러낸다. 또한 제시된 프레임워크는 순차 가설 검정, 최적 정지, 정책 평가와 같은 통계적 추론에도 바로 적용 가능하다.

상세 분석

이 논문은 “정적 인구에 대한 동적 자원 배분”이라는 문제를 수학적으로 정형화하고, 사회복지함수(SWF)를 목표 함수로 삼는 새로운 온라인 학습 프레임워크를 제시한다. 핵심 가정은 (A1) 단조성, (A2) 볼록성, (A3) $\ell_\infty$‑리프시츠 연속성이다. 특히 단조성만으로도 개별 평균 효용 $\mu_i$에 대한 좌우 신뢰구간을 각각 구성한 뒤, 이를 $\mu$ 전체에 대한 신뢰구간으로 “리프팅(lifting)”할 수 있음을 정리 4.1에서 증명한다. 이 결과는 기존 밴딧 문헌에서 흔히 요구되는 복잡한 구조적 가정(예: 부드러움, 상호 독립성 등)을 필요로 하지 않으며, 언제든지(시간에 무관하게) 유효한 복지 상한·하한을 제공한다는 점에서 통계적 추론과 의사결정에 큰 장점을 가진다.

알고리즘 SWF‑UCB는 전통적인 UCB 아이디어를 SWF에 맞게 확장한다. 매 라운드마다 현재 관측된 데이터로부터 $\mu$에 대한 하한·상한을 계산하고, 상한을 사용해 $p^{\text{UCB}}t=\arg\max{p\in\mathcal P_k} M(\mu^{\uparrow}_t\odot p)$ 를 선택한다. 여기서 $\mathcal P_k={p\in