[論文レビュー] Envy-freeness up to any item with high Nash welfare: The virtue of donating items

Ioannis Caragiannis, Nick Gravin+1 more|arXiv (Cornell University)|Feb 12, 2019

Game Theory and Voting Systems参考文献 33被引用数 29

ひとこと要約

本稿では、一部のアイテムを寄付することで、高いナッシュ福利を達成する、 envy-freeness up to any item (EFX) を満たす新しいアルゴリズムを提案する。最大ナッシュ福利の割り当てから出発し、公平性を確保できるように一部のアイテムを除去（寄付）することで、残りのアイテムに対するEFX割り当てを実現する。この方法により、最適ナッシュ福利の半分以上を保証することができ、この保証はタイトであることが証明されている。また、ρ-近似入力を用いる場合、最適値の2ρ倍以内の性能を持つ多項式時間のEFX割り当てが得られる。

ABSTRACT

Several fairness concepts have been proposed recently in attempts to approximate envy-freeness in settings with indivisible goods. Among them, the concept of envy-freeness up to any item (EFX) is arguably the closest to envy-freeness. Unfortunately, EFX allocations are not known to exist except in a few special cases. We make significant progress in this direction. We show that for every instance with additive valuations, there is an EFX allocation of a subset of items with a Nash welfare that is at least half of the maximum possible Nash welfare for the original set of items. That is, after donating some items to a charity, one can distribute the remaining items in a fair way with high efficiency. This bound is proved to be best possible. Our proof is constructive and highlights the importance of maximum Nash welfare allocation. Starting with such an allocation, our algorithm decides which items to donate and redistributes the initial bundles to the agents, eventually obtaining an allocation with the claimed efficiency guarantee. The application of our algorithm to large markets, where the valuations of an agent for every item is relatively small, yields EFX with almost optimal Nash welfare. To the best of our knowledge, this is the first use of large market assumptions in the fair division literature. We also show that our algorithm can be modified to compute, in polynomial-time, EFX allocations that approximate optimal Nash welfare within a factor of at most $2ρ$, using a $ρ$-approximate allocation on input instead of the maximum Nash welfare one.

研究の動機と目的

• 分割不能な財に対するEFX割り当ての存在という未解決問題に取り組むこと。
• 選択されたアイテムを寄付することで、EFX公平性を達成しながら高いナッシュ福利を維持する構成的アルゴリズムを開発すること。
• 得られるナッシュ福利が最適値の半分以上であることを証明し、この境界がタイトであることを示すこと。
• ρ-近似入力を用いた場合に、有効な近似性能を保つようにフレームワークを拡張すること。
• 大市場仮定を公平配分分野における新しい分析的ツールとして導入し、大規模な設定においてほぼ最適な効率性を達成すること。

提案手法

• 最大ナッシュ福利の割り当てから出発し、これはパレート効率的かつEF1を満たす。
• 一部のアイテム（寄付先に寄付）を特定・除去することで、残りのアイテムに対するEFX公平性を可能にする。
• 評価構造と公平性制約に基づいて、動的に寄付すべきアイテムを選択する構成的アルゴリズムを用いる。
• ナッシュ福利のスケール不変性および効率性の性質を活用し、寄付意思決定とバンドル再配分を支援する。
• 局所探索メカニズムを適用して残りのアイテムを再配分し、EFXの満たしを保証する。
• 中央値に基づく評価値の系列を分析し、Karamataの不等式を用いることで、得られるナッシュ福利が最適値の半分以上であることを証明する。

実験結果

リサーチクエスチョン

• RQ1 元のアイテム集合から一部のアイテムを除去することで、高いナッシュ福利を達成するEFX割り当てを実現できるか？
• RQ2 残りのアイテムに対してEFX公平性を達成するために、どのアイテムを寄付すべきかを構成的に特定する方法はあるか？
• RQ3 アイテムを寄付した後のEFX割り当てにおける、最良のナッシュ福利保証は何か？
• RQ4 アルゴリズムは近似入力を用いても、効率損失が有界に保たれるように適合可能か？
• RQ5 大市場仮定は、EFX割り当てにおいてより強い効率保証を可能にするか？

主な発見

• 本アルゴリズムは、元のアイテム集合に対する最適ナッシュ福利の半分以上を達成するEFX割り当てを保証する。
• この1/2の境界はタイトであることが証明されており、より良い最悪ケース保証は不可能である。
• 大市場では、個々の評価値が総額に比べて小さい場合、アルゴリズムはほぼ最適なナッシュ福利を達成するEFX割り当てを実現する。
• 本手法は、任意のρ-近似割り当てを入力として用いることができ、最適値の2ρ倍以内のナッシュ福利を達成するEFX割り当てが得られる。
• 本アルゴリズムは多項式時間で実行可能であり、最適ナッシュ福利の定数倍以内に近似する、最初に知られている多項式時間のEFX割り当て手法である。
• 本稿では、公平配分分野における新しい分析的ツールとして大市場仮定を導入し、より強い効率保証を可能にした。