[論文レビュー] Mechanism Design for Team Formation

Mason Wright, Yevgeniy Vorobeychik|arXiv (Cornell University)|Jan 4, 2015

Game Theory and Voting Systems参考文献 17被引用数 7

ひとこと要約

この論文は、AIにおけるチーム編成のための新しいメカニズム設計フレームワークを提案し、2つの新しいメカニズム（A-CEEI-TF および OPOP）に加え、既存メカニズムの適応も行っている。A-CEEI-TF は、戦略的不正の大きな規模での不正防止と近似的な公平性に関する理論的保証を提供するが、OPOP は、特に多様な好みの下で、インcentive compatibility、公平性、社会的厚生の観点で、すべての他のメカニズムを実証的に上回っている。

ABSTRACT

Team formation is a core problem in AI. Remarkably, little prior work has addressed the problem of mechanism design for team formation, accounting for the need to elicit agents' preferences over potential teammates. Coalition formation in the related hedonic games has received much attention, but only from the perspective of coalition stability, with little emphasis on the mechanism design objectives of true preference elicitation, social welfare, and equity. We present the first formal mechanism design framework for team formation, building on recent combinatorial matching market design literature. We exhibit four mechanisms for this problem, two novel, two simple extensions of known mechanisms from other domains. Two of these (one new, one known) have desirable theoretical properties. However, we use extensive experiments to show our second novel mechanism, despite having no theoretical guarantees, empirically achieves good incentive compatibility, welfare, and fairness.

研究の動機と目的

• エージェントのチームメイトに対する非公開の好みが十分に収集・インcentivizedされない、チーム編成のメカニズム設計におけるギャップを埋める。
• インcentive compatibility、社会的厚生、および事後公平性に焦点を当てたメカニズム設計問題としてチーム編成を形式化する。
• エージェントが他のエージェントとマッチングする非二部的、ピアツーピアのチーム編成設定に、組み合わせマッチングメカニズムを拡張する。
• 理論的保証と実証的性能の両立を図った、チーム編成に特化した新しいメカニズムを開発する。
• 実世界および合成データを用いて、真実性、公平性、社会的厚生などの複数の指標でメカニズムを評価する。

提案手法

• 組み合わせマッチングからピアベースのチーム編成へ、ランダム・シリアル・ディクタトリアム（RSD）およびハーバード・ビジネススクール（HBS）ドラフトメカニズムを適応する。
• A-CEEI-TF を提案する。これは、近似的な競争均衡（A-CEEI）をチーム編成に特化して適応した新規メカニズムであり、戦略的不正の大きな規模での不正防止と近似的な envy-freeness を保証する。
• OPOP（1人1回のピックドラフト）を導入する。これは、各プレイヤーが順番に1人のチームメイトを選択するシンプルな逐次ドラフトメカニズムであり、参加のバランスを保証する。
• 加法的分離可能な効用関数を用いてエージェントの好みをモデル化し、非負の値でペアワイズの適合性を表す。
• 立方スプライン補間とOLS回帰を用いて、シリアルインデックスおよびエージェントの人気度ごとの結果分布を分析する。
• 合成データ（Random-scattered, Random-similar）および実世界データ（Newfrat, Freeman）を用いて、広範な実験を行い、メカニズムを比較する。

実験結果

リサーチクエスチョン

• RQ1 組み合わせマッチングに設計されたメカニズムは、戦略的エージェントを想定した非二部的、ピアツーピアのチーム編成に効果的に適応可能か？
• RQ2 戦略的不正の大きな規模での不正防止や近似的な公平性といった理論的保証は、チーム編成における実証的性能にどのように反映されるか？
• RQ3 OPOP のようなシンプルなドラフトメカニズムは、A-CEEI-TF のようなより複雑で理論的裏付けのあるメカニズムを、公平性と真実性の観点で上回るのか？
• RQ4 RSD や HBS ドラフトのようなメカニズムは、人気エージェントに強く傾倒するのか。OPOP はそのバイアスをどのように軽減するか？
• RQ5 エージェントの好みの多様性は、社会的厚生および公平性の観点で、異なるメカニズムの相対的性能にどの程度影響を与えるか？

主な発見

• OPOP は理論的保証がなくても、実証的真実性と公平性において A-CEEI-TF を上回り、Newfrat データセットで平均 envy 分数 0.68±0.07 を達成した。
• OPOP は Freeman データセットで最高の社会的厚生を達成し、平均効用分数量 0.78±0.05 を記録し、HBS ドラフトや RSD をも上回った。
• RSD と A-CEEI-TF は人気エージェントに強く偏っており、RSD ではエージェントの人気度に応じてチームメイトの効用に明確な正の傾向が見られた。
• HBS ドラフトは上位ランクのエージェントに高い効用の「棚」を生じさせるが、OPOP はシリアルインデックスにわたる効用曲線が平坦になり、より良い事後公平性を示している。
• A-CEEI-TF は一部のデータセットで OPOP と同等の公平性を達成するが、OPOP は多様な好み構造において一貫して優れた真実性と厚生性能を発揮している。
• OPOP メカニズムは、Newfrat データセットで平均 0.68±0.07 のエージェントが1人のチームメイトによる envy に制限される状況を達成し、HBS（0.67±0.05）や RSD（0.65±0.04）を上回った。