[論文レビュー] Bayesian Incentive Compatibility via Fractional Assignments

Xiaohui Bei, Zhiyi Huang|arXiv (Cornell University)|May 24, 2010

Auction Theory and Applications被引用数 4

ひとこと要約

本稿では、任意の多パラメータメカニズム設計アルゴリズムを、社会的総生産の損失がわずかに加法的である$\epsilon$-ベイジアンインcentive compatible（BIC）メカニズムに変換するブラックボックス還元を提示する。この手法は、分数割り当てと中間の評価値操作を用い、既知の事前分布の下で期待値としての誠実性を保証する。これにより、部分加法的および分数的加法的エージェントを対象とした組み合わせオークションにおいて、定数倍近似が達成される。

ABSTRACT

Very recently, Hartline and Lucier studied single-parameter mechanism design problems in the Bayesian setting. They proposed a black-box reduction that converted Bayesian approximation algorithms into Bayesian-Incentive-Compatible (BIC) mechanisms while preserving social welfare. It remains a major open question if one can find similar reduction in the more important multi-parameter setting. In this paper, we give positive answer to this question when the prior distribution has finite and small support. We propose a black-box reduction for designing BIC multi-parameter mechanisms. The reduction converts any algorithm into an eps-BIC mechanism with only marginal loss in social welfare. As a result, for combinatorial auctions with sub-additive agents we get an eps-BIC mechanism that achieves constant approximation.

研究の動機と目的

• パフォーマンス保証を伴う多パラメータベイジアンメカニズム設計における真実性を保証するという未解決問題に取り組む。
• ハートラインとルシエの単一パラメータBIC還元を、より複雑な多パラメータ設定に拡張する。
• 部分加法的および分数的加法的エージェントを対象とした組み合わせオークションにおいて、社会的総生産の定数倍近似を達成する。
• 最適な社会的総生産に近い性能を保ちながら、メカニズムが$\epsilon$-BICであることを保証する。
• コア還元の変種を用いて、収益や残余利益の目的に対しても一般化可能なフレームワークを提供する。

提案手法

• 元のアルゴリズム$\mathcal{A}$の入力評価値と報告された評価値を分離するブラックボックス還元を用いる。
• 報告された評価値を$\mathcal{A}$に供給する前に操作するための、中間のアルゴリズム$\mathcal{B}_1, \dots, \mathcal{B}_n$を導入する。
• 有限なサポートを持つベイジアン事前分布の下で社会的総生産を最大化する分数割り当てを計算するための線形計画法（LP）を採用する。
• フェイジ（2006）のラウンド手法を応用し、分数解を近似的に損失が制限された整数割り当てに変換する。
• 集中法則と分散分析を用いて、割り当ての期待値を推定し、報酬設計によるBICを保証する。
• 低確率の割り当てを除外するフィルタリングステップを導入し、最適なLP値の少なくとも$(1 - \epsilon)$を保持する。

実験結果

リサーチクエスチョン

• RQ1 多パラメータベイジアン設定において、任意のアルゴリズムを$\epsilon$-BICメカニズムに変換するブラックボックス還元を構築できるか？
• RQ2 $\epsilon$-ベイジアンインセンティブ適合性を達成する際の社会的総生産の最小損失は何か？
• RQ3 このような還元が、部分加法的エージェントを対象とした組み合わせオークションにおいて定数倍近似を達成できるか？
• RQ4 BIC報酬設計を支援するため、エージェントの評価値の期待値と分散を効率的に推定する方法は何か？
• RQ5 社会的総生産を超えた目的、例えば収益や残余利益に対しても、この還元は拡張可能か？

主な発見

• 還元により、社会的総生産が$SW^{\mathcal{A}} - \epsilon$以上となる$\epsilon$-BICメカニズムが達成される。
• 部分加法的エージェントを対象とした組み合わせオークションでは、最適な社会的総生産の$\left(\frac{1}{2} - \epsilon\right)$-近似が達成される。
• 分数的加法的エージェントでは、最適な社会的総生産の$\left(1 - \frac{1}{e} - \epsilon\right)$-近似が達成される。
• アルゴリズムは入力サイズと$1/\epsilon$に関して多項式時間で実行可能であり、計算的に効率的である。
• 真実の報告が、事前分布とメカニズムのランダムネスの下で期待値としての均衡戦略となることが保証される。
• 主な技術的洞察は、評価値の分散が$\sqrt{4nm\ell / \epsilon}$で有界であるため、BIC報酬設計に必要な正確な値推定が可能になることである。