기술 요약: 교차 검증 평형 (Cross-Validation Equilibrium)

1. 문제 제기

본 논문은 불완전 정보가 존재하는 정적 베이지안 게임(static Bayesian games)에 예측적 머신러닝(ML)을 통합할 때 발생하는 전략적 함의를 다룬다. 많은 경제적 상황(예: 신용 점수 산정, 사법적 위험 평가)에서 인간 의사결정자는 예측적 신념 형성을 ML 알고리즘에 위임한다. 이 알고리즘은 게임 자체의 평형 분포로부터 추출된 무작위 훈련 샘플을 기반으로 모델을 구축한다.

핵심 문제는 다음과 같은 상황에서 평형 결과가 어떻게 변화하는지 규명하는 것이다:

1. 플레이어가 신념 형성을 "ML 에이전트"에게 위임한다.
2. ML 에이전트는 노이즈가 포함된 내생적 훈련 샘플을 바탕으로 예측 모델(플레이어 유형과 보상 관련 결과 사이의 매핑)을 선택한다.
3. 모델 선택 기준은 **교차 검증(cross-validation)**을 모사한다: 즉, 에이전트는 기대 외 표본 평균 제곱 예측 오차(expected out-of-sample squared prediction error)를 최소화하는 모델을 선택한다.
4. 플레이어는 선택된 모델에 의해 생성된 신념에 대해 최적 대응(best-reply)한다.

저자들은 ML이 생성한 예측 모델과 플레이어의 행동 사이의 내생적 연결이 표준적인 내쉬 평형(Nash Equilibrium, NE)과 같은 평형 개념을 어떻게 변화시키는지 이해하고자 한다.

2. 방법론 및 모델 프레임워크

게임 구조

저자들은 약간 비표준적인 베이지안 게임을 구성한다:

• 플레이어: $N = \{1, \dots, n\}$.
• 상태 및 유형: 상태 집합 $\Theta$와 유형 집합 $T_i$.
• 보상: 플레이어 $i$의 효용 $u_i(a_i, t_i, x_i)$는 스칼라 값인 보상 관련 결과 $x_i$에 대해 연속적이며 선형이다. 결과 $x_i$는 상태와 상대방의 행동의 함수이다, $x_i = f_i(\theta, a_{-i})$.
• 훈련 샘플: 고정된 전략 프로파일 $\sigma_{-i}$에 대해, 플레이어 $i$의 진정한 기대 결과는 $\bar{x}^\sigma_i(t_i)$이다. ML 에이전트는 다음을 관찰한다:
  $$y_{t_i} = \bar{x}^\sigma_i(t_i) + \varepsilon_{t_i}$$
  여기서 $\varepsilon_{t_i}$는 0을 중심으로 대칭인 i.i.d. 노이즈 항이다.

ML 에이전트의 과업

ML 에이전트는 가능한 집합 $\mathcal{P}_i$로부터 유형 공간 $T_i$의 분할(partition) $\Pi_i$를 선택한다.

• 예측: 각 분할 셀 $\pi(t_i)$ 내에서, 에이전트는 훈련 샘플의 가중 평균을 사용하여 결과를 예측한다.
• 선택 기준: 에이전트는 기대 외 표본 평균 제곱 예측 오차를 최소화하는 분할을 선택한다. 여기에는 독립적인 노이즈 $\eta$를 포함하는 검증 샘플(validation sample)이 포함된다. 에이전트는 많은 잠재적 검증 샘플에 걸쳐 해당 분할의 성능을 평가한다.
• 편향-분산 트레이드오프(Bias-Variance Trade-off): 선택 과정은 자연스럽게 편향(거친 분할)과 분산(세밀한 분할) 사이의 균형을 맞춘다. 훈련 샘플의 노이즈가 높을 경우, 추정치의 분산을 줄이기 위해 거친 분할이 선택될 수 있다.

정의: 교차 검증 평형 (Cross-Validation Equilibrium, CVE)

전략 프로파일 $\sigma$가 **교차 검증 평형(CVE)**이라는 것은, 모든 플레이어 $i$와 모든 훈련 샘플의 실현값 $\varepsilon_i$에 대하여 다음을 만족함을 의미한다:

1. ML 에이전트는 $\varepsilon_i$와 상대방의 전략이 주어졌을 때 기대 외 표본 예측 오차를 최소화하는 분할 $\Pi_i$를 선택한다.
2. 플레이어는 선택된 분할 $\Pi_i$에 의해 유도된 신념에 대한 최적 대응인 순수 전략 $g_i(t_i)$를 선택한다.
3. 플레이어의 혼합 전략 $\sigma_i$는 이러한 호환 가능한 (분할, 전략) 쌍들의 실현 확률에 따른 가중치 합(mixture)이다.

3. 주요 이론적 결과

존재성 및 수렴성

• 존재성: 저자들은 전략 프로파일과 분할 분포를 자기 자신으로 매핑하는 대응 관계에 대한 고정점 정리를 사용하여, 모든 유한 게임에서 CVE가 존재함을 증 proves한다.
• ABEE로의 수렴: 훈련 샘플 노이즈가 사라짐에 따라 ($\text{Var}(\varepsilon) \to 0$), 일련의 CVE의 임계점(limit point)은 가장 세밀한 가능한 분할에 대한 유추 기반 기대 평형(Analogy-Based Expectation Equilibrium, ABEE) (Jehiel, 2005)로 수렴한다.
• NE로의 수렴: 만약 가장 세밀한 가능한 분할이 모든 유형을 구별하는 단일 원소 분할(singleton partition)이라면, CVE는 노이즈가 사라질 때 내쉬 평형(NE)으로 수렴한다.

모델 선택의 특성

• 선택된 모델의 무편향성: 중요한 기술적 결과(Proposition 4)는 선택된 분할에 대한 조건부 기대 훈련 샘플 노이즈가 0이라는 것이다. 이는 선택 기준(제곱 손실 함수를 사용하는 기대 외 표본 오차 최소화)과 노이즈 분포의 대칭성이 선택 과정이 노이즈를 체계적으로 편향시키지 않음을 보장하기 때문이다.
• 과적합 방지: 만약 충분 통계량(sufficient statistic)이 거친 분할에 대해 측정 가능하다면, ML 에이전트는 더 세밀한 분할을 거의 선택하지 않을 것이다. 왜냐尽管 세밀한 분할이 편향을 줄이지 못하면서 분산만 증가시키기 때문이다 (Proposition 3).
• 분할 선택 규칙: 이진 설정(세밀한 분할 vs 거친 분할)에서, 세밀한 분할은 훈련 샘플 노이즈의 분산이 충분 통계량의 분산보다 작을 때만 선택된다 (Proposition 5).

4. 응용 및 경제적 함의

본 논문은 CVE를 여러 특정 게임에 적용하여 내쉬 평형과 질적으로 다른 차이점을 보여준다.

A. 이차 보상 게임 (쿠르노 경쟁 및 팀 노력)

• 전략적 대체성 (쿠르노 경쟁): 대칭적 CVE의 쿠르노 경쟁에서, 평형 수량과 가격의 변동성은 훈련 샘플 노이즈의 분산에 따라 증가한다. 이는 노이즈가 많은 샘플이 거친 분할을 더 가능하게 만들기 때문이며, 전략적 대체성 하에서 거친 신념(상태 변화에 과소 반응하는 신념)은 플레이어의 과잉 반응을 증폭시킨다.
• 전략적 보완성 (팀 노력): 팀 노력 게임에서, CVE는 근저에 있는 게임이 유일한 내쉬 평형을 가짐에도 불구하고 다중 평형을 보일 수 있다. 이러한 다중성은 신념의 변동성에 따라 세밀한 분할을 선택할 확률이 증가하기 때문에 발생하며, 이는 다시 분할 선택에 의존한다.
• 불연속성: 아주 작은 노이즈가 존재하더라도, 팀 노력 게임의 CVE는 내쉬 평형과 불연속적으로 다를 수 있으며, 더 낮은 기대 보상을 초래할 수 있다.

B. 만장일치 투표 (배심원 모델)

두 명의 플레이어로 구성된 배심원 모델에서, 내생적 모델 선택은 효율적인 내쉬 평형에 비해 개혁에 찬성할 확률을 높일 수 있다. 훈련 샘플의 노이즈는 거친 분할을 선택하도록 유도할 수 있으며, 이는 정보를 집계하는 방식으로 작동하여 플레이어가 합리적이고 세밀한 신념을 가질 때보다 더 높은 확률로 "찬성"을 투표하게 만든다.

C. 투기적 베팅

"올바른" 세밀한 분할에 제한된 플레이어는 두 가지 분할 모두에 접근할 수 있는 상대방보다 더 낮은 기대 보상을 얻을 수 있다. 상대방은 노이즈 실현값이 반대일 때 거친 분할을 전략적으로 선택함으로써, 노이즈를 평균화하여 올바른 신념을 형성하고 이를 이용해 제한된 플레이어를 공략할 수 있다. 이는 더 많은 정보(또는 올바른 모델)가 항상 우월하다는 직관에 도전한다.

D. 통제의 환상 (Illusion of Control)

저자들은 상태와 행동의 결합 공간에 대한 분할을 허용하도록 프레임워크를 확장한다. 그들은 플레이어가 양(+)의 확률로 지배된 전략(strictly dominated action)을 선택하는 시나리오를 보여준다. 이러한 "통제의 환상"은 ML 에이전트가 가끔 성공적인 결과를 플레이어 자신의 행동 덕분이라고 잘못 귀속시키는 모델을 선택함으로써 발생하며, 이로 인해 플레이어는 해당 행동이 인과적이라고 믿게 된다.

5. 의의 및 기여

본 논문은 다음과 같은 문헌에 기여한다고 주장한다:

1. 전략적 ML: 장기적인 학습 역학(예: Calvano et al., 2020)에 집중하는 강화 학습 문헌과 달리, 본 논문은 인간 플레이어를 위한 예측 모델을 구축하는 정적 게임에 집중한다.
2. 비합리적 신념 형성: 기존의 주관적 평형 개념(예: Jehiel, 2005; Eyster and Rabin, 2005) 문헌을 내생적이고 무작위적인 모델 선택을 도입함으로써 확장한다. 분할이 고정되어 있거나 외생적으로 주어진 기존 모델과 달리, CVE는 교차 검증 기준에 따라 내생적으로 선택되는 분할을 특징으로 한다.
3. 내생적 데이터: 훈련 데이터가 평형에 내생적일 때, ML 모델 선택의 핵심인 "편향-분산 트레이드오프"가 전략적 변수가 될 수 있음을 강조한다. 이는 다중 평형, 변동성 증가, 그리고 노이즈가 매우 적을 때조차 합리적 벤치마크에서 크게 벗어나는 결과를 초래할 수 있음을 보여준다.

저자들은 자신들의 결과가 기대 외 표본 제곱 오차를 최소화한다는 특정 기준과 노이즈의 대칭성에 의존하고 있음을 강조한다. 또한, 보상의 선형성이 충분 통계량을 스칼라로 만드는 것을 용이하게 하여 ABEE와의 연결을 돕는다는 점을 언급한다.