[論文レビュー] Envy Freedom and Prior-free Mechanism Design

Nikhil R. Devanur, Jason D. Hartline+1 more|arXiv (Cornell University)|Dec 16, 2012

Auction Theory and Applications参考文献 24被引用数 5

ひとこと要約

本稿は、順序オークションや組み合わせオークションなどの1次元的環境における、事前分布に依存しないメカニズム設計フレームワークを提案する。このフレームワークでは、 envy-free（ envy がない）結果をベンチマークとして用いる。本稿は、一般化されたランダムサンプリングオークションが最適な envy-free 収益に定数倍近似することを証明し、分布に依存しない、かつ耐障害性の高いメカニズムに対して理論的保証を提供する。従来のレーティング価格に基づく設計を上回る性能を示す。

ABSTRACT

We consider the provision of an abstract service to single-dimensional agents. Our model includes position auctions, single-minded combinatorial auctions, and constrained matching markets. When the agents' values are drawn from a distribution, the Bayesian optimal mechanism is given by Myerson (1981) as a virtual-surplus optimizer. We develop a framework for prior-free mechanism design and analysis. A good mechanism in our framework approximates the optimal mechanism for the distribution if there is a distribution; moreover, when there is no distribution this mechanism still performs well. We define and characterize optimal envy-free outcomes in symmetric single-dimensional environments. Our characterization mirrors Myerson's theory. Furthermore, unlike in mechanism design where there is no point-wise optimal mechanism, there is always a point-wise optimal envy-free outcome. Envy-free outcomes and incentive-compatible mechanisms are similar in structure and performance. We therefore use the optimal envy-free revenue as a benchmark for measuring the performance of a prior-free mechanism. A good mechanism is one that approximates the envy free benchmark on any profile of agent values. We show that good mechanisms exist, and in particular, a natural generalization of the random sampling auction of Goldberg et al. (2001) is a constant approximation.

研究の動機と目的

• エージェントの価値分布の知識が全くない状況でも良好に動作する、事前分布に依存しないメカニズム設計フレームワークの開発。
• ベイジアン最適メカニズムの性質を継承する、安定的かつ点単位最適なベンチマークとしての envy-free 結果の特定。
• 任意の評価プロファイルに対して、最適な envy-free 収益を定数倍の近似で達成するメカニズムの設計。
• インcentive-compatible（インcentive 可能）メカニズムの限界を克服し、これらは点単位最適性を欠き、事前分布に強く依存する。
• 単純で耐障害性の高いメカニズム（例：一般化されたランダムサンプリング）が、分布の仮定に依存せずに強力な理論的性能保証を達成できることを示す。

提案手法

• エージェントの価値の経験的分布に基づき、最適な envy-free 結果を仮想的余剰を最大化するものとして特徴づけ、マイアソンのベイジアンメカニズム設計理論に類似させる。
• 事前分布に依存しないメカニズムの性能ベンチマークとして、最適 envy-free 収益を定義し、点単位最適性を保証するとともに、ベイジアンインcentive-compatible メカニズムを上回ることを確実にする。
• 仮想価格の非単調性に対処するため、有効収益曲線と鉄道化仮想余剰最大化を導入。
• サンプルに基づく収益と全プロファイルの envy-free 収益を比較するため、エージェントを2つの集合 S と M にバランスよく分割する。
• エージェントをサンプル集合と割当集合に分割し、収益をサンプルから推定して割当を指針とする一般化されたランダムサンプリングオークションを適用。
• 数学的不等式と優位性の議論（例：eR(i) ≥ ¯RS(i)）を用いて、サンプルの期待 envy-free 収益が全プロファイルのベンチマークの定数倍以上であることを証明。

実験結果

リサーチクエスチョン

• RQ1 事前分布が一切不明な状況でも、最適メカニズムに近似できる事前分布に依存しないメカニズムを設計できるか？
• RQ2 インcentive-compatible メカニズムに内在する妥協を避ける点単位最適なベンチマークがメカニズム設計に存在するか？
• RQ3 envy-free 結果は、事前分布に依存しない、強固なベンチマークとして、事前分布に依存しないメカニズムの評価に適しているか？
• RQ4 一般化されたランダムサンプリングオークションは、対称的な1次元的環境において、最適 envy-free 収益に定数倍近似を達成できるか？
• RQ5 レーティング価格に基づくメカニズムは、定数倍近似を達成できるのか、それともより豊かな環境では失敗するのか？

主な発見

• 最適 envy-free 結果は、エージェントの価値の経験的分布に基づく仮想的余剰最大化者として特徴づけられ、点単位最適なベンチマークを提供する。
• 制約付きマッチング市場のような環境では、最適 envy-free 収益は、いかなるベイジアン最適インcentive-compatible メカニズムの収益よりも優位である。
• 一般化されたランダムサンプリングオークションは、最適 envy-free 収益に定数倍近似を達成し、近似要因は 6.24 から概ね 2500 の範囲にわたる。
• 分割がバランスされている場合、ランダムサンプルの期待 envy-free 収益は、全プロファイルの envy-free 収益の少なくとも 1/4 以上である。
• メカニズムの性能はモデリングの詳細に依存せず、理論的および実用的妥当性を支持する、保守的な理論的境界にもかかわらず、耐障害性がある。
• レーティング価格に基づくメカニズムは、検討された環境では定数倍近似を達成できないことが判明し、提案されたサンプリングベースのアプローチの優位性を強調する。