[論文レビュー] Combinatorial Pen Testing (Or Consumer Surplus of Deferred-Acceptance Auctions)

Aadityan Ganesh, Jason D. Hartline|arXiv (Cornell University)|Jan 29, 2023

Auction Theory and Applications被引用数 1

ひとこと要約

本稿では、マトロイド、ナップサック、一般の下閉集合系といった組み合わせ的制約に対して、余剰最適な延期受け入れオークションを、近似的に最適なペンテストアルゴリズムに変換する画期的な還元フレームワークを提案する。仮想価値と消費者余剰最適化を活用することで、完全情報基準に対する残余インク性能が (1+o(1))ln n の範囲内に保証され、オンラインおよび組み合わせ的設定においてきびしい近似保証が得られる。

ABSTRACT

Pen testing is the problem of selecting high-capacity resources when the only way to measure the capacity of a resource expends its capacity. We have a set of $n$ pens with unknown amounts of ink and our goal is to select a feasible subset of pens maximizing the total ink in them. We are allowed to learn about the ink levels by writing with them, but this uses up ink that was previously in the pens. We identify optimal and near optimal pen testing algorithms by drawing analogues to auction theoretic frameworks of deferred-acceptance auctions and virtual values. Our framework allows the conversion of any near optimal deferred-acceptance mechanism into a near optimal pen testing algorithm. Moreover, these algorithms guarantee an additional overhead of at most $(1+o(1)) \ln n$ in the approximation factor to the omniscient algorithm that has access to the ink levels in the pens. We use this framework to give pen testing algorithms for various combinatorial constraints like matroid, knapsack, and general downward-closed constraints, and also for online environments.

研究の動機と目的

• 容量を消費する制約下での組み合わせ的およびオンライン制約において、近似的に最適なペンテストアルゴリズムを設計すること。
• 消費者余剰と仮想価値を通じて、ペンテストと延期受け入れオークションの間の明確な形式的関係を確立すること。
• 任意の余剰最適な延期受け入れメカニズムから、同等の性能保証を持つペンテストアルゴリズムへのブラックボックス還元を提供すること。
• 完全情報基準と標準基準の間の関係を、近似比の積 γ(n) と ζ(n) を用いて関連付けることで、近似境界を厳密にすること。
• 部分的な事前分布へのアクセスが限られる状況、例えばオンライン無知的および秘書モデルのような状況におけるこのフレームワークの限界を調査すること。

提案手法

• ペンをエージェントに、インク量を価値に、テストで使用されるインク量を支払いにマッピングすることで、ペンテストを延期受け入れオークションにおける消費者余剰最大化問題に還元する。
• オークション理論における仮想価値フレームワークを応用し、組み合わせ的制約に対する最適および近似的に最適なメカニズムを導出する。
• 部分積分と余剰分解を用いて、すべての分布に対して最適余剰と消費者余剰の比を上限付ける。
• 最適余剰と消費者余剰の最悪ケース比が Hn + 1 = (1+o(1))ln n であることを導出し、これがすべての分布に対して普遍的に成り立つことを示す。
• 最適完全情報基準近似 ζ(n) が、標準近似 γ(n) と分布依存係数 ζ(n) の積で抑えられることを確立し、π(n) = γ(n)ζ(n) を得る。
• オンライン環境にこのフレームワークを適用し、IIDケースでは (1+o(1))ln n の近似比を導出し、逐次的および無知的設定ではより緊密な境界を得る。

実験結果

リサーチクエスチョン

• RQ1 延期受け入れオークションを、容量消費制約を伴う組み合わせ的ペンテスト問題に体系的に再利用可能か？
• RQ2 ペンテストアルゴリズムが完全情報基準に対して達成可能な最もきつい近似比は何か？ そして、オークション理論的還元によってこれを達成できるか？
• RQ3 マトロイドやナップサックなどの異なる可解制約下で、ペンテストアルゴリズムの性能は n に対してどのようにスケーリングするか？
• RQ4 この還元フレームワークを、1サンプルや秘書設定のような部分的事前分布アクセスが可能なオンラインモデルに拡張可能か？
• RQ5 すべての分布に対して (1+o(1))ln n の近似比がタイトであるか、それ以上改善可能か？

主な発見

• このフレームワークにより、近似的に最適な延期受け入れメカニズムが、完全情報基準に対する近似係数 π(n) = γ(n)ζ(n) を有するペンテストアルゴリズムに変換可能であることが保証される。ここで γ(n) はメカニズムの標準近似比である。
• マトロイド制約では、γ(n) = 1 であり、完全情報基準近似が ζ(n) = (1+o(1))ln n に達する。
• ナップサック制約では、γ(n) = 2 であり、無知的オンライン設定では完全情報基準近似が 2(1+o(1))ln n に達する。
• 逐次的オンライン設定では、近似比が e/(e−1)·(1+o(1))ln n に達し、無知的ケースよりもタイトである。
• 最適余剰と消費者余剰の最悪ケース比は、すべての分布に対して (1+o(1))ln n 以下であり、線形仮想価値曲線を持つ最悪分布で等号が成立する。
• このフレームワークは、現在の近似境界がタイトでない可能性を示唆しており、部分的な事前分布アクセスがあるオンライン設定でも (1+o(1))ln n が達成可能である可能性がある。