Scoring Rules as Least-Squares Estimators

技術的要約：最小二乗推定値としてのスコアリング・ルール

問題提起
本論文は、社会選択理論におけるスコアリング・ルールとコサイン類似度ルールの間の理論的な関係を取り扱う。スコアリング・ルールは、投票者の選好順序に基づく代替案への個別のスコア（例：ボルダ・ルール）を集計することで、社会的ランキングを決定する。近年、Kawada (2018) は、任意のスコアベクトルに対して、得られるスコアリング・ルールが対応するコサイン類似度ルールと同一であるという驚くべき等価性定理を確立した。Kawadaの元の証明は、コサイン類似度の最適化問題に対する直接的な分析に依拠していたが、本ノートの著者らは、この等価性のより透明かつ初等的な証明を提供することを目的としている。

手法
著者らは、算術平均の最小二乗特性を用いてKawadaの結果を再導出している。その手法は以下の通りである：

1. 最小二乗法の基礎： 本論文は、一連のベクトルの算術平均が、それらのベクトルへの二乗ユークリッド距離の総和の唯一の最小化因子であるという、よく知られた性質を利用している。形式的には、ベクトル集合 $\{p_i\}_{i \in N}$ に対して、関数 $\Phi(x) = \sum_{i \in N} \|x - p_i\|^2$ は $x = \bar{p} = \frac{1}{n}\sum p_i$ において一意に最小化される。
2. ベクトル表現： 個々の投票者のランキングは、固定されたスコアベクトル $\theta$ に基づいて、スコアベクトル $s^\theta_i \in \mathbb{R}^V$ へと写像される。
3. 最適化の等価性： 著者らは、最小二乗目的関数（二乗距離の和）を最小化することが、$x$ が固定された半径の球面上に制約されている場合、内積の総和 $\sum (s^\theta_i)^\top x$ を最大化することと数学的に等価であることを示す。
4. ノルム不変性： 証明における重要なステップは、任意の投票者 $i$ について、スコアベクトル $\|s^\theta_i\|$ のユークリッドノルムが、特定のランキングに関わらず一定（$R$ と表記）であるという観察である。これにより、内積の総和をコサイン類似度を用いて書き換えることができる：$\sum (s^\theta_i)^\top x = R\rho \sum C(s^\theta_i, x)$、ここで $\rho = \|x\|$ である。
5. 統合： 最小二乗最小化の性質とスコアベクトルの一定ノルムの性質を組み合わせることで、著者らは、コサイン類似度最大化問題の最適解が、スコアベクトルの算術平均と正確に一致することを示す。

主要な貢献と結果

• Kawada (2018) への代替証明： 本論文は、スコアリング・ルールとコサイン類似度ルールの間の等価性について、より単純な幾何学的証明を提供している。
• 幾何学的解釈： この証明は、スコアベクトルの算術平均 $\bar{s}^\theta = \frac{1}{n} \sum s^\theta_i$ が、最小二乗推定問題とコサイン類似度最適化問題の両方の唯一の解であることを明らかにしている。
• 等価性の確認： スコアリング・ルールにおける社会的ランキングは、集計スコアベクトルの座標（これは算術平均に比例する）によって決定され、コサイン類似度ルールは最適解の座標（これもまた算術平均である）によって決定されるため、両方のルールは必然的に同一の社会的ランキングを導出する。
• 形式的結果： 定理1は、すべてのスコアベクトル $\theta$ に対して、スコアリング・ルール (2) がコサイン類似度ルール (4) と一致することを裏付けている。

意義と主張
著者らは、自身のアプローチがスコアリング・ルールに対する透明な幾何学的解釈を提供すると主張している。スコアリング・ルールを最小二乗推定値として枠付けることで、本論文は、なぜコサイン類似度ルールが対応するスコアリング・ルールと一致しなければならないのかという理由を明確にしている。すなわち、両者は共通の最適解として算術平均を共有する、最適化表現であるからである。

本論文は、ケメニー・ヤング・ルールやシュルツ・ルールに関する近年の研究のような、最適化ベースの定式化という広い文脈の中にこの結果を位置づけている。著者らは、この枠組みが他の社会選択手続きを理解するための有用な視点を提供し得ることを控えめに示唆しているが、本ノートにおいて具体的な新しい応用や実験的検証を提案することはない。主要な貢献は、これらの二つの概念を初等的な最適化原理を通じて理論的に統一することにある。