Claudio Battiloro, Pietro Greiner, Bret Nestor, Oumaima Amezgar, Francesca Dominici

초록

학습 시스템이 일상적 결정에 점점 더 큰 영향을 미치는 가운데, 공유 데이터에 대한 알고리즘적 집단행동(Algorithmic Collective Action, ACA)을 통한 사용자 측의 조정은 규제 당국 측의 정책과 기업 측의 모델 설계와의 보완적 접근을 가능하게 한다. 기존에 실세계의 행동은 공통된 목표를 공유하더라도 일반적으로 분산되고 다수의 집단으로 나뉘어 진행되었으며, 각 집단은 규모, 전략, 실행 가능한 목표 면에서 차이를 보였다. 그러나 기존 ACA 연구 대부분은 단일 집단 상황에 초점을 맞추고 있었다. 본 연구에서는 동일한 시스템에 대해 다수의 집단이 동시에 작동하는 ACA에 대한 최초의 이론적 프레임워크를 제안한다. 특히 분류(classification) 상황에서의 집단행동에 초점을 맞추어, 다수의 집단이 신호를 심어 넣는 방식—즉, 특성의 변형된 버전과 선택된, 가능한 중복되는 타깃 클래스 집합 간의 관계를 분류기의 학습에 유도하는 방식—이 어떻게 작동하는지를 탐구한다. 또한 집단의 규모와 목표 일치도가 서로 어떻게 작용하고 영향을 미치는지에 대한 정량적 결과를 제시한다. 본 프레임워크는 이전의 경험적 연구 결과와도 보완적으로 작용하며, 다수의 집단이 참여하는 ACA에 대한 종합적 접근을 위한 길을 열어준다.