통신 지연을 고려한 분산 온라인 서브모듈러 최대화: 동시 의사결정 접근법

본 논문은 미래의 분산 정보 수집 작업을 위해, 다중 에이전트가 서브모듈러 목표 함수를 온라인으로 최적화하는 문제를 정의하고, 기존 방법들의 한계를 극복한 새로운 알고리즘인 Distributed Online Greedy(DOG)를 제안한다. 1. **문제 정의 및 배경** - 다중 에이전트 시스템에서 각 에이전트 i는 행동 집합 Vᵢ에서 행동 aᵢ,ₜ를 선택하고, 전역 목표 함수 fₜ({aᵢ,ₜ}ᵢ∈N) 를 최대화한다. fₜ는 정상화, 비감소, 서브모듈러, 2차 서브모듈러 특성을 가진다. - 환경이 예측 불가능하고 부분 관측 가능하므로, 에이전트는 행동에 대한 보상을 사후에만(밴딧 피드백) 얻는다. - 통신 네트워크 G 는 임의의 토폴로지를 가질 수 있으며, 다중 홉 전파에 따라 지연 dᵢ가 발생한다. dᵢ는 에이전트 i가 이웃 Nᵢ (다중 홉 인-이웃)으로부터 행동 정보를 받아 보상을 계산하는 데 필요한 시간이다. 2. **기존 접근법의 한계** - **BSG (Bandit Sequential Greedy)**: 중앙집중형 순차적 알고리즘으로, 다중 홉을 이용해 모든 에이전트가 순서대로 정보를 교환한다. 통신 복잡도는 O(N³), 의사결정 라운드 수는 O(N²)로, 대규모 네트워크에서 실시간 적용이 불가능하다. - **RAG / ActSel**: 1‑hop 이웃만 이용해 O(N) 복잡도를 달성하지만, 온라인 환경을 다루지 못하거나, 이웃 범위가 제한돼 근사 성능이 토폴로지에 크게 의존한다. 특히, ActSel은 다중 홉을 사용하지 않으므로 중앙집중형 성능에 크게 뒤처진다. 3. **DOG 알고리즘 설계** - 각 에이전트 i는 자체적인 적대적 밴딧 문제를 해결한다. 초기 가중치 w₁를 1로 설정하고, 학습률 ηᵢ = p·log|Vᵢ| /