적대적 그래프 탐색

초록

베이지안 여행자가 그래프를 순회하면서 비용과 보상을 불확실하게 인식하고, 보상을 일회성으로 감소시킬 수 있는 적과의 대립 상황을 ARA와 레벨‑k 사고 모델로 분석한다. NIW‑MVt 사전과 베타형 적 유형 사전이 결합된 업데이트 메커니즘을 제시하고, 6×6 격자 시뮬레이션을 통해 적을 고려한 경로 선택이 보상 향상에 기여함을 보인다.

상세 분석

본 논문은 그래프 순회 문제를 ‘베이지안 에이전트 + 적대적 위험 분석(ARA)’이라는 새로운 프레임워크로 재구성한다. 여행자는 각 엣지를 통과할 때 비용을, 처음 방문한 노드에서 보상을 받으며, 이들 파라미터에 대해 사전적으로 정규‑역와이시트(NIW) 분포를 가정한다. NIW는 관측 후에도 닫힌 형태를 유지하므로, 조건부 평균과 공분산을 쉽게 갱신할 수 있고, 정밀도 행렬을 적분하면 다변량 t(MV‑t) 분포가 도출된다. 이는 여행자가 아직 관측하지 않은 노드·엣지의 기대값을 계산하는 핵심이다.

적은 각 방문 시점에 인접 노드 중 하나의 보상을 일정 비율(δ=0.3) 감소시킬 수 있다. 적의 행동 유형은 두 가지로 모델링되는데, Type 0은 가장 큰 보상을 가진 노드를, Type 1은 두 번째로 큰 보상을 가진 노드를 목표로 한다. 이는 레벨‑k 사고 모델에서 k=0,1에 해당한다. 여행자는 적 유형에 대한 사전 확률을 베타(α,β) 분포로 두고, 관측된 보상과 기대값의 차이를 통해 베타 사후를 업데이트한다.

적 유형에 대한 확률 π와 각 노드가 실제로 감소되었는지 여부를 결합한 혼합‑NIW 모델은 매 단계마다 2^d( d≤4)개의 성분으로 급증한다. 저자는 가중치가 낮은 성분을 제거하는 정규화 기법을 제안해 계산량을 억제한다. 또한, 관측 후 평균 변화율 τ에 따라 탐색 깊이를 동적으로 조절하는 ‘불확실성 정책’을 도입해 NP‑hard한 최적 경로 탐색의 실용성을 확보한다.

시뮬레이션에서는 6×6 격자 그래프를 사용해 세 가지 시나리오(적 없음, 적 존재 무시, 적 존재 고려)를 비교한다. 결과는 적을 고려한 적응형 전략이 누적 순보상을 크게 향상시키며, 특히 적 유형을 정확히 학습한 경우(베타 사전이 정확하거나 낙관적/비관적 사전 대비) 성능 차이가 두드러진다. 이는 여행자가 자신의 주관적 분포와 적에 대한 사전 지식을 얼마나 정확히 모델링하느냐가 실질적인 이득으로 직결됨을 시사한다.

본 연구는 군사 물류, 기업 경쟁, 보안 게임 등 실시간 의사결정이 요구되는 분야에 적용 가능하며, 베이지안·ARA·레벨‑k 사고를 결합한 의사결정 프레임워크의 확장성을 보여준다.