[論文レビュー] Approximately Optimal Mechanisms for Strategyproof Facility Location: Minimizing $L_p$ Norm of Costs

Itai Feigenbaum, Jay Sethuraman+1 more|arXiv (Cornell University)|May 10, 2013

Game Theory and Voting Systems参考文献 6被引用数 8

ひとこと要約

この論文は、直線上のエージェントコストの$L_p$ノルムを最小化する戦略証明可能な施設配置メカニズムを研究する。決定的メカニズムの中で、中央値メカニズムが最適な$2^{1-1/p}$近似比を達成することを証明する。2エージェントの場合、LRMメカニズムは確率的メカニズムの中で最適であるが、$p > 2$の場合、ランダム化は近似比を改善しない。これは、$p=2$および$p=\infty$の場合とは異なり、$p > 2$ではランダム化が近似比を改善しないことを示している。

ABSTRACT

We consider the problem of locating a single facility on the real line. This facility serves a set of agents, each of whom is located on the line, and incurs a cost equal to his distance from the facility. An agent's location is private information that is known only to him. Agents report their location to a central planner who decides where to locate the facility. The planner's objective is to minimize a "social" cost function that depends on the agent-costs. However, agents might not report truthfully; to address this issue, the planner must restrict himself to {\em strategyproof} mechanisms, in which truthful reporting is a dominant strategy for each agent. A mechanism that simply chooses the optimal solution is generally not strategyproof, and so the planner aspires to use a mechanism that effectively {\em approximates} his objective function. In our paper, we study the problem described above with the social cost function being the $L_p$ norm of the vector of agent-costs. We show that the median mechanism (which is known to be strategyproof) provides a $2^{1-\frac{1}{p}}$ approximation ratio, and that is the optimal approximation ratio among all deterministic strategyproof mechanisms. For randomized mechanisms, we present two results. First, we present a negative result: we show that for integer $\infty>p>2$, no mechanism---from a rather large class of randomized mechanisms--- has an approximation ratio better than that of the median mechanism. This is in contrast to the case of $p=2$ and $p=\infty$ where a randomized mechanism provably helps improve the worst case approximation ratio. Second, for the case of 2 agents, we show that a mechanism called LRM, first designed by Procaccia and Tennenholtz for the special case of $L_{\infty}$, provides the optimal approximation ratio among all randomized mechanisms.

研究の動機と目的

• 実数直線上の施設配置において、エージェントコストの$L_p$ノルムを最小化する戦略証明可能なメカニズムの設計。
• 決定的および確率的戦略証明可能メカニズムが達成可能な最良の近似比の特定。
• $p > 2$の場合に、ランダム化が中央値メカニズムの最悪ケース近似比を上回る可能性があるかの調査。
• シフト不変性、スケール不変性、対称性の制約下での最適メカニズムの特徴付け。
• 既存の研究（$p=1$のミニサム、$p=\infty$のミニマックス）を一般$L_p$ノルムへ拡張すること。

提案手法

• 決定的戦略証明可能メカニズムを分析し、中央値メカニズムが$2^{1-1/p}$の近似比を達成することを証明する。
• メカニズムがエージェントの位置と中央値の間でのみ確率的に選択されることに制限できるようにする変換補題を導入する。
• シフト不変性、スケーリング不変性、対称性を用いてメカニズム空間を単純化し、2エージェントケースにおけるLRMの最適性を証明する。
• 戦略証明性制約下でのコスト関数の確率的分析を実施し、対称性と積分条件を活用する。
• 否定的結果を適用して、$p > 2$の場合、広いクラスのメカニズム（シフト不変性、スケーリング不変性、対称性を満たすもの）が中央値を上回る最悪ケース近似比を達成できないことを示す。
• $p$ノルム間の近似比を比較し、ランダム化が$p=2$および$p=\infty$の場合にのみ近似比を改善することを示す。

実験結果

リサーチクエスチョン

• RQ1 エージェントコストの$L_p$ノルムを最小化する任意の決定的戦略証明可能メカニズムが達成可能な最良の近似比は何か？
• RQ2 $p > 2$の場合に、確率的メカニズムは$L_p$コスト最小化の最悪ケース近似比を中央値メカニズムを上回るか？
• RQ3 2エージェントの場合、$L_p$コスト最小化においてLRMメカニズムは確率的戦略証明可能メカニズムの中で最適か？
• RQ4 シフト不変性、スケーリング不変性、対称性の制約は、最適メカニズムの完全な特徴付けを可能にするか？
• RQ5 中央値メカニズムの近似比は、異なる$p$ノルム間でどのように比較できるか？

主な発見

• 中央値メカニズムは$2^{1-1/p}$の近似比を達成し、これはすべての決定的戦略証明可能メカニズムの中で最適である。
• $p > 2$の場合、シフト不変性、スケーリング不変性、対称性を満たす広いクラスのメカニズムにおいて、中央値を上回る最悪ケース近似比を達成できるものは存在しない。
• 2エージェントの場合、LRMメカニズムはすべての確率的戦略証明可能メカニズムの中で、最適な近似比$0.5(2^{1-1/p} + 1)$を達成する。
• ランダム化は$p > 2$の場合、中央値メカニズムの最悪ケース近似比を改善しない。これは、$p=2$および$p=\infty$の場合とは異なり、ランダム化が近似比を改善しないことを示している。
• 2エージェントの場合、シフト不変性およびスケーリング不変性を満たす確率的メカニズムの中で、LRMメカニズムは最適である。
• 変換補題により、任意の戦略証明可能メカニズムは、エージェントの報告された位置と中央値の間でのみ確率的に選択されるメカニズムに置き換え可能であり、近似比が悪化しないことが示された。