기억 없는 베이지안 학습: 제한된 인지로 사회적 합리성 구현

본 논문은 사회적 네트워크에서 에이전트들이 어떻게 효율적으로 학습하고 의견을 형성할 수 있는지를 탐구한다. 전통적인 베이즈 학습은 에이전트가 과거 모든 관측을 기억하고, 이웃의 신념·행동이 어떻게 형성되었는지를 완전하게 추론해야 한다는 점에서 계산적으로 비현실적이다. 이러한 복잡성을 해소하고자 저자는 “기억 없는 베이지안(Bayesian without Recall, BWR)” 모델을 제안한다. BWR은 에이전트가 매 시점 자신의 사적 신호와 이웃의 현재 행동(또는 보고된 신념)만을 이용해 한 번의 베이즈 업데이트를 수행하고, 그 결과를 다음 단계에서 그대로 사용한다는 가정이다. 이는 초기 학습 단계에서 ‘시스템2’의 심층적 추론을 거친 뒤, 이후에는 ‘시스템1’에 해당하는 휴리스틱을 적용하는 인지 이중 과정 이론과 일치한다. 논문은 먼저 BWR 모델의 일반적인 수학적 정의를 제시한다. n명의 에이전트가 유향 그래프 G=(