개연적 근사 합의: 공통점을 찾는 학습 이론에 대한 연구

Probably Approximately Consensus: On the Learning Theory of Finding Common Ground

온라인 토론 플랫폼의 주요 목표는 사용자들이 표현하는 선호도를 기반으로, 커뮤니티 구성원들이 대체로 동의하는 아이디어를 식별하는 것입니다. 그러나 이상적으로는 합의 도출은 사용자들이 제공하는 특정 진술을 넘어 확장되어야 하며, 특정 주제의 상대적 중요성을 고려해야 합니다. 본 연구에서는 임베딩 및 차원 축소 기법을 통해 잠재적으로 고차원 데이터로부터 파생된 일차원 의견 공간에서 합의를 구간으로 모델링하여 이 문제를 해결합니다. 우리는 가설 구간 내에서 예상되는 합의를 최대화하는 목적 함수를 정의하며, 여기서 예상치는 잠재적인 문제들의 분포에 대한 것입니다. 이는 암묵적으로 해당 문제들의 중요성을 고려합니다. 우리는 효율적인 경험적 위험 최소화(ERM) 알고리즘을 제안하고 PAC-학습 보장을 설정합니다. 초기 실험 결과는 제안된 알고리즘의 성능을 보여주며, 최적의 합의 영역을 식별하는 더욱 효율적인 방법에 대한 연구를 수행합니다. 기존 진술 샘플에 대해 사용자에게 선택적으로 질문함으로써, 필요한 질문 횟수를 실용적인 수준으로 줄일 수 있음을 확인했습니다.

A primary goal of online deliberation platforms is to identify ideas that are broadly agreeable to a community of users through their expressed preferences. Yet, consensus elicitation should ideally extend beyond the specific statements provided by users and should incorporate the relative salience of particular topics. We address this issue by modelling consensus as an interval in a one-dimensional opinion space derived from potentially high-dimensional data via embedding and dimensionality reduction. We define an objective that maximizes expected agreement within a hypothesis interval where the expectation is over an underlying distribution of issues, implicitly taking into account their salience. We propose an efficient Empirical Risk Minimization (ERM) algorithm and establish PAC-learning guarantees. Our initial experiments demonstrate the performance of our algorithm and examine more efficient approaches to identifying optimal consensus regions. We find that through selectively querying users on an existing sample of statements, we can reduce the number of queries needed to a practical number.