본 논문은 대규모 에이전트 시스템에서 불확실성 하에 에이전트 행동을 유도하는 보상 설계 문제를 다룹니다. 기존 연구들이 유한하고 작은 에이전트 집합이나 게임에 대한 완전한 지식을 가정한 것과 달리, 본 논문은 밀도 독립적 전이를 갖는 평균장 게임(Mean-Field Games, MFGs)에서 전이 역학 및 내재적 보상 함수를 모두 알 수 없는 상황을 고려합니다. 에이전트가 비적응적 후회(no-regret) 행동을 보인다고 가정하여, 모형 학습을 위한 탐색을 유도하면서 동시에 과도한 인센티브 지불 없이 원하는 행동으로 수렴하도록 유도하는 최적 탐색 알고리즘을 제시합니다. 이론적으로 에이전트 행동과 목표 행동 간의 누적 차이에 대한 준선형 후회(sub-linear regret) 보장을 확립하고, 총 인센티브 지불이 목표 정책을 평형으로 안정화하는 기준 전략과 비교하여 준선형 초과(sub-linear excess)만 발생함을 보입니다.
