기술적 요약: 목적은 수단을 정당화한다: 비례적 순차적 결정을 위한 선형 순위 규칙

1. 문제 제기

본 논문은 AI 정렬, 자원 배분 (예: 신장 교환, 식품 기부), 참여적 설계와 같은 민주적 설계 맥락에서 반복적으로 사용하기 위한 결정 규칙의 집단적 선택이라는 과제를 다룹니다. 특히 저자들은 선형 순위 규칙에 초점을 맞추는데, 이는 특징 벡터 $x \in \mathbb{R}^d$로 설명되는 $m$개의 항목으로 구성된 배치 $X = (x_1, \dots, x_m)$가 고정된 점수 벡터 $\theta$에서 유도된 점수 $s_\theta(x) = \langle \theta, x \rangle$를 기반으로 순위가 매겨지는 방식입니다.

핵심 집계 문제는 다음과 같이 정의됩니다: 이상적인 점수 벡터 $\theta^{(1)}, \dots, \theta^{(n)}$와 인구 비율 $\alpha^{(1)}, \dots, \alpha^{(n)}$을 가진 $n$명의 유권자 유형이 주어졌을 때, 집단적 점수 벡터 $\theta^*$를 어떻게 선택해야 할까요?

주요 우려는 시간에 따른 대표성 불평등입니다. 반복적으로 적용되는 고정된 규칙은 다수의 선호도와 일관되게 일치하는 반면 소수의 견해는 체계적으로 무시할 수 있습니다. 본 논문은 **개별 비례성 (Individual Proportionality, IP)**을 만족하는 집계 메커니즘을 추구합니다: 유권자 유형 $i$가 인구의 $\alpha^{(i)}$ 비율을 차지한다면, 집단적 순위는 유형 $i$가 선호하는 순위와 최소한 $\alpha^{(i)}$ 비율의 항목 쌍에 대해 일치해야 합니다.

본 논문은 IP 의 두 가지 개념을 구분합니다:

1. 장기적 IP (Long-Run IP): 분포 $\mathcal{D}$에서 추출된 배치에 대한 기대값으로 비례성이 성립합니다.
2. 배치별 IP (Per-Batch IP): 비례성이 각각의 특정 배치 $X$에 대해 성립합니다 (또는 배치 내 최소 일치에 대한 기대값으로 성립합니다).

2. 방법론 및 이론적 프레임워크

2.1. 산술 평균의 실패

문헌에서의 표준 접근법은 개별 점수 벡터의 가중 평균인 산술 평균 ($\theta_{\text{arith}}$) 입니다. 저자들은 Feffer 등 [2023] 을 인용하여 $\theta_{\text{arith}}$가 심각한 다수결주의적 성향을 보임을 입증합니다. "반대 극 구성 (Antipodal Constructions)"(두 유권자 유형이 정반대 벡터를 가지는 경우) 에서 산술 평균은 완전히 다수의 벡터로 수렴하여, 배치 크기나 분포와 관계없이 소수에게 일치율이 0 이 될 수 있습니다.

2.2. 각도 평균 ($\theta_{\text{ang}}$)

주요 방법론적 기여는 대체 집계 규칙으로서 **각도 평균 (angular mean)**을 제안하는 것입니다. 이는 가중된 제곱 각도 거리의 합을 최소화하는 것으로 정의됩니다:
$$\theta_{\text{ang}} := \arg\min_{\theta \in S^{d-1}} \sum_{i=1}^n \alpha^{(i)} \angle(\theta, \theta^{(i)})^2$$
유클리드 거리를 최소화하는 산술 평균과 달리, 각도 평균은 순위 방향의 기하학적 성질을 존중하며 구 $S^{d-1}$ 위에서 작동합니다.

2.3. 이론적 분석

저자들은 구면 대칭 항목 분포 ($\mathcal{D}^\circ$) 가정 하에서 $\theta_{\text{ang}}$의 특성을 분석합니다.

• 장기적 IP: 그들은 모든 프로필에 대해 $\theta_{\text{ang}}$이 장기적 IP 를 만족함 (즉, 비례성 수준이 최소 1 에 도달함) 을 증명합니다. 이는 근본적인 기하학적 성질에 의존합니다: 각도 평균은 모든 유권자의 이상 벡터 $\theta^{(i)}$로부터 $(1 - \alpha^{(i)})\pi$ 각도 이내에 위치합니다.
• 배치별 IP: 본 논문은 배치별 IP 에 대한 불가능성 결과를 확립합니다. 권리 (entitlements) 가 정수일지라도, 고정된 선형 순위 규칙은 모든 단일 배치에 대해 비례성을 보장할 수 없습니다. 이는 적어도 하나의 유권자 유형과 완전히 불일치하도록 선형 규칙을 강제하는 "거의 공선 (near-collinear)" 배치 때문입니다.
• 수렴: 그러나 저자들은 배치 크기 $m$이 증가함에 따라 배치별 IP 와 장기적 IP 사이의 격차가 빠르게 축소됨을 증명합니다. 구체적으로, 편차는 $O(\sqrt{\frac{\min(\log n, d \log(m/d))}{m}})$로 제한됩니다.

3. 주요 기여

1. 비례적 선형 규칙의 존재: 본 논문은 각도 평균이 구면 대칭 분포에 대해 장기적 개별 비례성을 보장하는 단순하고 해석 가능한 고정 선형 규칙임을 증명합니다. 이는 고정된 선형 규칙이 본질적으로 다수결주의가 되지 않고 상반된 의견을 균형 있게 조절할 수 있는지에 대한 열린 문제를 해결합니다.
2. 근본적인 기하학적 성질: 저자들은 $d$차원에서의 각도 평균에 관한 새로운 정리 (정리 3.3) 를 확립합니다: 모든 프로필에 대해, 각도 평균은 어떤 유권자 $i$의 벡터로부터 $(1 - \alpha^{(i)})\pi$ 각도 이내에 위치함이 보장됩니다. 이는 알려진 2 차원 결과를 고차원으로 일반화한 것입니다.
3. 불가능성과 수렴 경계: 본 논문은 고정된 선형 규칙에 대해 배치별 IP 가 불가능함을 공식적으로 증명하지만 (정리 4.3), 고정된 규칙으로 제한함으로써 발생하는 손실이 큰 배치 크기에서는 무시할 수 있음을 보여줍니다 (정리 4.5).
4. 강건성: 각도 평균은 강건한 것으로 나타났습니다. 점수 벡터가 $\theta_{\text{ang}}$과 각도 거리상 가깝다면, 그 비례성 보장은 가법적으로만 저하됩니다.

4. 실증 결과

저자들은 세 가지 실제 데이터셋 (Moral Machine, Kidney Exchange, Food Rescue) 과 유권자 이질성을 증가시키도록 설계된 합성 2 차원 변형에 대해 다섯 가지 집계 메커니즘을 평가했습니다:

• 테스트된 규칙: 산술 평균 ($\theta_{\text{arith}}$), 각도 평균 ($\theta_{\text{ang}}$), 기하학적 중앙값, 보르다 집계, 비례적 순차 보르다 (PSB).
• 동질적 체제: 유권자 선호도가 상대적으로 유사한 원본 데이터셋에서는 모든 규칙 (산술 평균 포함) 이 유사하게 작동하며 비례성을 만족합니다.
• 이질적 체제 (2 차원 데이터): 유권자 벡터가 넓은 호에 걸쳐 분포할 때 (높은 불일치 시뮬레이션):
  • 산술 평균과 기하학적 중앙값은 크게 실패하여 종종 비례적 권리 (Long-IP < 1) 아래로 떨어집니다.
  • 각도 평균은 산술 평균과 기하학적 중앙값을 크게 능가하여 Long-IP $\ge 1$을 유지합니다.
  • PSB(비선형, 비고정 규칙) 가 가장 잘 수행되어 "고정 선형" 제약의 완화가 추가적인 이득을 가져옴을 확인시켰지만, 각도 평균은 여전히 가장 성능이 좋은 고정 선형 규칙입니다.
• 수렴: 실증 결과는 배치 크기 $m$이 커짐에 따라 배치별 IP 가 매우 작은 $m$에서도 장기적 IP 로 매우 빠르게 수렴함을 확인시켜 줍니다.

5. 중요성 및 주장

본 논문은 결정 규칙을 집계하기 위한 **최상위 기준 (best-case benchmark)**을 제공한다고 주장합니다. 고정된 선형 규칙 (각도 평균) 이 장기적 비례성을 만족할 수 있음을 보여줌으로써, 저자들은 노이즈가 있는 데이터에서 규칙을 학습해야 하는 저정보 파이프라인이 각도 평균의 구조를 유지하도록 노력해야 한다고 주장합니다.

그 중요성은 다음과 같습니다:

• 다수결주의 결함 교정: 반복적 의사결정에서 "다수의 폭정"을 피하는 산술 평균에 대한 단순하고 해석 가능한 대안을 식별합니다.
• 이론적 보장: 고정된 규칙에 대해 장기적 개별 비례성을 만족할 수 있다는 최초의 증명을 제공하며, 이는 과거에 고정된 규칙에게는 어렵거나 불가능한 속성으로 여겨졌습니다.
• 실용적 적용 가능성: 각도 평균은 (경사 기반 최적화를 통해) 계산적으로 실행 가능하며, 실제로는 구면이 아닌 분포에도 강건하여 AI 정렬과 참여적 설계의 실제 응용에 viable 한 후보가 됩니다.

저자들은 한계에 대해 겸손하게 언급하며, $\theta_{\text{ang}}$이 장기적 문제를 해결하지만 "고정 선형" 제약을 포기하지 않는 한 더 강력한 배치별 보장을 달성할 수는 없다고 인정합니다. 이 트레이드오프는 더 큰 배치 크기로 갈수록 감소합니다.