PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.11920v1econ.EM

주관적 기대 효용 최대화에 대한 민감도: 방법론 연구 및 LLM 의사결정에 대한 예시 적용

Sensitivity to Subjective Expected Utility Maximization: A Methodological Study, with an Illustrative Application to LLM Decision-Making

불확실성 하에서 내린 결정을 평가하기는 라벨이 붙은 결과가 희소하거나, 비용이 크거나, 운에 의해 교란될 때 어렵다. 우리는 주관적 기대 효용(SEU) 최대화를 명시된 기준으로 간주하고, 에이전트가 이에 부합하는 정도를 나타내는 단계적 척도인 SEU 민감도를 정의한다. 이를 위한 수단은 SEU 값을 갖는 대안들에 민감도 매개변수 $α$를 둔 소프트맥스 선택 모델이며, 기여는 $α$ 및 신념·효용 매개변수 $(β, δ)$에 대한 일련의 식별 가능성 결과로, Stan에서 사전 예측 검사, 매개변수 복원, 시뮬레이션 기반 보정(SBC)을 통해 검증되었고 유한 표본 한계는 그대로 유지된다. 불확실 선택만 있는 모델 $m_0$에서 $α$는 기대 효용 벡터 $η$가 주어지면 식별 가능하며 선명하게 복원되지만, $(β, δ)$는 약하게만 정보를 얻는다: 사후분포는 거의 수축하지 않으며 $β$-$δ$ 절충에 집중된다. 확장 모델 $m_1$에서 $δ$는 원칙적으로 $β$가 없는 위험 블록을 통해 식별 가능해지지만, 현실적인 표본 크기에서의 실질적 복원 이득은 무시할 만하다(동일 개수 기준 신뢰구간 폭 감소 1% 미만), 그리고 그 블록은 동일 선택 개수에서 검출된 $α$ 정밀도 이득을 제공하지 않는다. 이 둘은 서로 다른 현상이다: $δ$의 경우 식별 가능성이 현실적인 $n$에서 정밀한 추정 가능성을 함의하지 않으며, $α$의 경우 식별 가능성은 유한 $n$ 정밀도를 지배하는 요인에 대해 말하지 않는다. 두 모델 모두에서 공동 사후분포가 약하게 정보를 얻는 경우에도 한계 SBC는 통과한다 — 우리가 정밀히 구분하는 경계이다. 2×2 적용(GPT-4o와 Claude 3.5 Sonnet 각각에 대해 보험 청구 분류와 엘스버그 스타일 도자기 문제, 샘플링 temperature를 조작 변수로)이 실제 LLM 선택 데이터에서 처음부터 끝까지 실행되어, 네 셀 중 두 셀에서 구조화된 비교적 $α$ 효과를 검출한다.