Scoring Rules as Least-Squares Estimators

기술 요약: 최소제곱 추정량으로서의 점수 규칙(Scoring Rules)

문제 정의
본 논문은 사회적 선택 이론에서 **점수 규칙(scoring rules)**과 코사인 유사도 규칙(cosine similarity rule) 사이의 이론적 관계를 다룬다. 점수 규칙은 투표자의 선호 순위에 따라 대안들에 할당된 개별 점수를 집계하여 사회적 순위를 결정한다(예: 보르다 규칙). 최근 카와다(Kawada, 2018)는 임의의 점수 벡터에 대하여, 그에 따른 점수 규칙이 상응하는 코사인 유사도 규칙과 동일하다는 놀라운 등가성 정리를 확립하였다. 카와다의 원래 증명은 코사인 유사도 최적화 문제에 대한 직접적인 분석에 의존했으나, 본 노트의 저자들은 이 등가성에 대한 보다 투명하고 기초적인 증명을 제공하고자 한다.

방법론
저자들은 산술 평균의 **최소제곱 특성(least-squares characterization)**을 사용하여 카와다의 결과를 재도출한다. 방법론은 다음과 같이 진행된다:

1. 최소제곱 기초: 본 논문은 벡터 집합의 산술 평균이 해당 벡터들과의 유클리드 거리 제곱 합을 최소화하는 유일한 최소화 지점이라는 잘 알려진 성질을 활용한다. 형식적으로, 벡터 집합 $\{p_i\}_{i \in N}$에 대하여 함수 $\Phi(x) = \sum_{i \in N} \|x - p_i\|^2$는 $x = \bar{p} = \frac{1}{n}\sum p_i$에서 유일하게 최소화된다.
2. 벡터 표현: 개별 투표자의 순위는 고정된 점수 벡터 $\theta$에 기반하여 점수 벡터 $s^\theta_i \in \mathbb{R}^V$로 매핑된다.
3. 최적화 등가성: 저자들은 최소제곱 목적 함수(거리 제곱의 합)를 최소화하는 것이 $x$가 고정된 반지름의 구(sphere) 내에 제약될 때 내적의 합 $\sum (s^\theta_i)^\top x$를 최대화하는 것과 수학적으로 동일함을 입증한다.
4. 노름 불변성(Norm Invariance): 증명의 핵심 단계는 특정 순위와 관계없이 모든 투표자 $i$에 대하여 점수 벡터의 유클리드 노름 $\|s^\theta_i\|$가 일정(이를 $R$이라 함)하다는 사실을 관찰하는 것이다. 이를 통해 내적의 합을 코사인 유사도를 사용하여 $\sum (s^\theta_i)^\top x = R\rho \sum C(s^\theta_i, x)$ (단, $\rho = \|x\|$)로 다시 쓸 수 있다.
5. 종합: 최소제곱 최소화 성질과 점수 벡터의 상수 노름 성질을 결합함으로써, 저자들은 코사인 유사도 최대화 문제의 최적화 도구가 점수 벡터의 산술 평균과 정확히 일치함을 보여준다.

주요 기여 및 결과

• 카와다(2018)에 대한 대안적 증명: 본 논문은 점수 규칙과 코사인 유사도 규칙 사이의 등가성에 대한 더 단순한 기하학적 증명을 제공한다.
• 기하학적 해석: 증명은 점수 벡터의 산술 평균 $\bar{s}^\theta = \frac{1}{n} \sum s^\theta_i$가 최소제곱 추정 문제와 코사인 유사도 최적화 문제 모두의 유일한 해임을 밝혀낸다.
• 등가성 확인: 점수 규칙에서의 사회적 순위는 집계된 점수 벡터(산술 평균에 비례함)의 좌표에 의해 결정되고, 코사인 유사도 규칙은 최적화 도구의 좌표(마찬가지로 산술 평균임)에 의해 결정되므로, 두 규칙은 반드시 동일한 사회적 순위를 유도한다.
• 공식적 결과: 정리 1은 모든 점수 벡터 $\theta$에 대하여 점수 규칙 (2)가 코사인 유사도 규칙 (4)와 일치함을 확증한다.

의의 및 주장
저자들은 자신들의 접근 방식이 점수 규칙에 대한 투명한 기하학적 해석을 제공한다고 주장한다. 점수 규칙을 최소제곱 추정량으로 프레임화함으로써, 본 논문은 왜 코사인 유사도 규칙이 상응하는 점수 규칙과 일치해야 하는지를 명확히 한다. 즉, 두 규칙은 산술 평균을 공통의 최적화 도구로 공유하는 최적화 표현이라는 점에서 같다.

본 논문은 케메니-영(Kemeny–Young) 규칙이나 최근의 슐체(Schulze) 규칙 연구와 같은 고전적 사례들을 인용하며, 이 결과를 최적화 기반 공식화라는 더 넓은 맥락 속에 위치시킨다. 저자들은 이 프레임워크가 다른 사회적 선택 절차를 이해하는 데 유용한 관점을 제공할 수 있다고 겸허히 제안하지만, 본 노트에서 구체적인 새로운 응용이나 실험적 검증을 제안하지는 않는다. 주요 기여는 기초적인 최적화 원리를 통해 이 두 개념을 이론적으로 통합한 것이다.