[論文レビュー] Improving Approximation Guarantees for Maximin Share

Hannaneh Akrami, Jugal Garg+2 more|arXiv (Cornell University)|Jul 24, 2023

Parallel Computing and Optimization Techniques被引用数 4

ひとこと要約

本稿は、分割不能な財の公平配分における順序的および乗法的近似を一般化する、新しい$(\alpha,\beta,\gamma)$-MMSフレームワークを導入する。$1$-out-of-$\lceil 4n/3\rceil$ MMS割り当ての存在を証明し、以前の最良の境界$\lfloor 3n/2\rfloor$を改善する。また、事前近似係数が0.785を超える確率的割り当てを確立し、以前の最良の$\alpha = \frac{3}{4} + \frac{3}{3836}$を上回る。この手法は、バンドル分割の洗練された分析と価値再配分を活用し、加法的評価関数下でより強い保証を達成する。

ABSTRACT

We consider fair division of a set of indivisible goods among $n$ agents with additive valuations using the fairness notion of maximin share (MMS). MMS is the most popular share-based notion, in which an agent finds an allocation fair to her if she receives goods worth at least her ($1$-out-of-$n$) MMS value. An allocation is called MMS if all agents receive their MMS values. However, since MMS allocations do not always exist, the focus shifted to investigating its ordinal and multiplicative approximations. In the ordinal approximation, the goal is to show the existence of $1$-out-of-$d$ MMS allocations (for the smallest possible $d>n$). A series of works led to the state-of-the-art factor of $d=\lfloor3n/2 floor$ [Hosseini et al.'21]. We show that $1$-out-of-$4\lceil n/3 ceil$ MMS allocations always exist, thereby improving the state-of-the-art of ordinal approximation. In the multiplicative approximation, the goal is to show the existence of $α$-MMS allocations (for the largest possible $α< 1$), which guarantees each agent at least $α$ times her MMS value. We introduce a general framework of "approximate MMS with agent priority ranking". An allocation is said to be $T$-MMS, for a non-increasing sequence $T = (τ_1, \ldots, τ_n)$ of numbers, if the agent at rank $i$ in the order gets a bundle of value at least $τ_i$ times her MMS value. This framework captures both ordinal approximation and multiplicative approximation as special cases. We show the existence of $T$-MMS allocations where $τ_i \ge \max(\frac{3}{4} + \frac{1}{12n}, \frac{2n}{2n+i-1})$ for all $i$. Furthermore, we can get allocations that are $(\frac{3}{4} + \frac{1}{12n})$-MMS ex-post and $(0.8253 + \frac{1}{36n})$-MMS ex-ante. We also prove that our algorithm does not give better than $(0.8631 + \frac{1}{2n})$-MMS ex-ante.

研究の動機と目的

• 加法的評価関数を持つ$n \geq 3$人のエージェントに対して、最大ミニマムシェア（MMS）割り当てが常に存在しないという制限を扱う。
• 1-アウト・オブ-$d$ MMS割り当てにおける順序的近似係数$d$を、各エージェントが$d$-MMS分割の価値を少なくとも得ることを保証するという観点で、以前の最良の境界$\lfloor 3n/2\rfloor$を超えて改善する。
• 乗法的近似係数$\alpha$を強化する。$\alpha$-MMS割り当てでは、各エージェントがMMS価値の少なくとも$\alpha$倍を受領することを保証する。
• 順序的および乗法的近似の両方のパラダイムを統一・一般化する新しいフレームワーク、$(\alpha,\beta,\gamma)$-MMSを提案する。このフレームワークでは、異なるエージェントが異なるMMS価値の割合を受け取ることが可能である。
• 各エージェントが事後的に少なくともMMS価値の$3/4$を保証する一方で、高い事前近似係数を達成する確率的割り当てアルゴリズムを設計する。

提案手法

• 一般化された公平性フレームワークである$(\alpha,\beta,\gamma)$-MMSを導入する。ここで、$\alpha$の割合のエージェントが少なくとも$\beta$倍のMMS価値を受け取り、残りの$1-\alpha$のエージェントが少なくとも$\gamma$倍のMMS価値を受け取る。
• 任意の$\beta \in (0,1]$に対して、$(2(1-\beta)/\beta, \beta, 3/4)$-MMS割り当てが常に存在することを証明する。そのために、反復的なバンドル再割り当てと価値再配分によるバランスの取れた割り当ての構築を行う。
• 問題を標準形に還元するため、$d$-正規化および順序付けられたインスタンス変換を用いる。これにより、評価関数がスケーリングされ、ソートされ、小さな摂動に対しても頑健な解析が可能になる。
• バンドルの削除と再割り当てに関するケース解析を適用し、MMS分割に関する異なる構造的仮定の下で、良い集合$S$を削除した後もエージェントのMMS値が減少しないことを示す。
• どの$2(1-\beta)/\beta$の割合のエージェントが$\beta$-MMS価値を受け取るかを柔軟に選べることを活用し、期待性能が向上する確率的割り当てを設計する。
• 正規化および順序付け変換の系列を介して、1-アウト・オブ-$d$ MMSと$\alpha$-MMSの間の関係を確立する。これにより、変換されたインスタンスにおける任意の1-アウト・オブ-$d$ MMS割り当てが、元のインスタンスにおいて有効な割り当てに変換可能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 1-アウト・オブ-$d$ MMS割り当てにおける順序的近似係数$d$は、以前の最良の境界$\lfloor 3n/2\rfloor$を超えて改善可能か？
• RQ2 MMS公平性における順序的および乗法的近似を同時に捉える統一フレームワークを構築可能か？
• RQ3 事後的に少なくとも$3/4$のMMS価値を保証する確率的割り当てにより、達成可能な最高の事前近似係数は何か？
• RQ4 $1$-アウト・オブ-$\lceil 4n/3\rceil$ MMS割り当ての存在は、以前に知られていたものよりも強い乗法的近似保証を示唆するか？
• RQ5 小さな摂動に対するMMS値の安定性の分析を活用して、頑健な近似アルゴリズムを設計可能か？

主な発見

• 本稿は、$1$-アウト・オブ-$\lceil 4n/3\rceil$ MMS割り当てが常に存在することを確立し、以前の最良の境界$\lfloor 3n/2\rfloor$を改善する。
• 任意の$\beta \in (0,1]$に対して、$(2(1-\beta)/\beta, \beta, 3/4)$-MMS割り当てが存在することを証明する。これは、順序的および乗法的近似の両方を一般化する。
• 適切に$\beta = \sqrt{3}/2$を選択することで、このフレームワークは各エージェントが事後に少なくともMMS価値の$3/4$を保証する確率的割り当てを提供する。
• 同じ確率的割り当ては、事前近似係数$\frac{17\sqrt{3} - 24}{4\sqrt{3}} > 0.785$を達成し、以前の最良の$\alpha = \frac{3}{4} + \frac{3}{3836}$を上回る。
• 分析により、MMS値が小さな摂動に対して安定することが示され、これは$\alpha$-MMSの概念がこのような変化に対して感受性を示すのとは対照的である。
• 本稿は、1-アウト・オブ-$d$ MMSフレームワークが頑健であり、正規化および順序付け技術を介して元のインスタンスにおける有効な割り当てに変換可能であることを示す。