소프트 토너먼트 평형: 비이행적 쌍별 비교를 위한 미분 가능 집합값 추론
Soft Tournament Equilibrium: Differentiable Set-Valued Inference for Non-Transitive Pairwise Comparisons
소프트 토너먼트 평형(Soft Tournament Equilibrium, STE)은 상호 쌍 확률로부터 Top-Cycle(TC)과 Uncovered-Set(UC) 추론을 수행하는 미분 가능 층(layer)이다. 정규화된 log-sum-exp 도달 가능성과 커버링은 근사, 교란, 마진(margin) 복구 경계를 갖는 매끄러운 점수를 제공한다. 우리는 통제된 합성 연구와 기록된 순서형 프로파일의 재구성을 통해 구조적 지도(supervision), 사후 불확실성, 그리고 최종 집합 결정을 구분한다. 매칭된 에포크(epoch) 학습은 공통 구조적 판독(readout) 하에서 F1을 향상시키지만, 별도의 동일 예산 soft-UC 비교에서는 우위가 나타나지 않는다. 전향적인 동일 예산 hard-UC 연구는 24개 대안에서 선택적 F1을 ordinary/relational 네이티브 헤드의 0.6327/0.6292에서 0.6676으로 향상시키지만, 정확한 복구(exact recovery)는 여전히 1.16%에 불과하다. 소스별로 홀드아웃된 36개의 인간 프로파일에 대해, 별도의 탐색적 비교는 네이티브 기대 F1 디코딩에서 Jeffreys 사후 추론이 학습된 독립-엣지 및 혼합 분포보다 우수함을 보여준다(0.8742 대 0.8704/0.8366). 비단일(non-singleton) 선택적 코어를 갖는 참조는 단 세 개뿐이다. 완성 증명서(completion certificate)와 전체 깊이 TC 진단은 추가적인 식별, 평활화(smoothing), 계산적 한계를 명확히 한다. 이 증거는 조건부 합성 중첩 이득을 지지하는 동시에, soft-set 널(null)을 유지하고, 강력한 카운트 기반 인간 프로파일 대조군에 대한 학습 우위가 입증되지 않았음을 보존한다.