통신 효율성을 갖춘 지수적 비베이즈 학습 알고리즘

**1. 서론 및 연구 동기** 네트워크에 분산된 에이전트들이 각자 제한된 관측 정보를 가지고 전역적인 목표(예: 진실 가설 학습)를 달성하려면 상호 통신이 필수적이다. 기존 연구는 평균 합성, 로그‑선형 합성 등 다양한 합성 방식을 사용했으며, 통신 빈도는 매 시간 단계마다 혹은 로그·다항적으로 감소하는 스케줄을 가정했다. 그러나 실제 시스템에서는 통신 비용(전력, 대역폭, 지연)이 큰 제약이 되므로, 통신을 더욱 희소하게 할 수 있는 방법이 필요하다. **2. 모델 정의** - **네트워크**: 강연결 유향 그래프 G = (V,E) , |V|=n. - **가설 집합**: Θ = {θ₁,…,θ_m}, 진실 가설 θ* 는 미지. - **관측**: 각 에이전트 i 는 시점 t 에 s_{i,t}∈S_i 를 i.i.d. 분포 l_i(·|θ*) 에 따라 관측. 관측 공간은 유한. - **신호 구조**: 각 에이전트는 모든 가설에 대한 로컬 likelihood l_i(·|θ) 를 알고 있으며, KL‑다이버전스 K_i(θ_p,θ_q) > 0 인 경우 해당 에이전트를 θ_p,θ_q 의 source 라 정의. **3. 알고리즘 설계** - **로컬 믿음 π_i,t**: 매 시간 단계 베이즈 업데이트(식 (1)). - **실제 믿음 µ_i,t**: 시간 트리거 집합 I ={t_k} 에만 업데이트. 여기서 t_{k+1}−t_k = a^k, t₁=1, a∈ℕ₊. - **업데이트 규칙**: t+1∈I 이면 µ_i,t+1(θ) = min{ π_i,t+1(θ), µ_j,t(θ) | j∈N_i }. t+1∉I 이면 µ_i,t+1 = µ_i,t. 이 ‘min‑protocol’은 이웃 중 가장 보수적인(가장 작은) 믿음을 채택함으로써, 거짓 가설에 대한 확신을 빠르게 축소한다. **4. 주요 정리 및 증명 개요** - **정리 1 (a>1)**: (i) 모든 가설 쌍에 최소 하나의 source 에이전트 존재, (ii) 그래프 강연결, (iii) 양의 사전 가정 하에, (a) 일관성: µ_i,t(θ*)→1 a.s., (b) 거짓 가설 θ 에 대한 거부 속도 하한: \