[論文レビュー] Mechanism Design in Large Games: Incentives and Privacy

Michael Kearns, Mallesh M. Pai+2 more|arXiv (Cornell University)|Jul 17, 2012

Privacy-Preserving Technologies in Data参考文献 30被引用数 6

ひとこと要約

本稿では、連携微分プライバシーを用いて、大規模な不完全情報ゲームにおける均衡を実装するための推薦メカニズムを提案する。これにより、機微なタイプ情報の漏洩を防ぎつつ、インcentive-compatibleな推薦が可能になる。本稿では、連携微分プライバシーを満たす任意の相関均衡アルゴリズムが、戦略的インcentiveと強いグループレベルのプライバシーを保証する推薦メカニズムとして機能可能であることを示している。

ABSTRACT

We study the problem of implementing equilibria of complete information games in settings of incomplete information, and address this problem using "recommender mechanisms." A recommender mechanism is one that does not have the power to enforce outcomes or to force participation, rather it only has the power to suggestion outcomes on the basis of voluntary participation. We show that despite these restrictions, recommender mechanisms can implement equilibria of complete information games in settings of incomplete information under the condition that the game is large---i.e. that there are a large number of players, and any player's action affects any other's payoff by at most a small amount. Our result follows from a novel application of differential privacy. We show that any algorithm that computes a correlated equilibrium of a complete information game while satisfying a variant of differential privacy---which we call joint differential privacy---can be used as a recommender mechanism while satisfying our desired incentive properties. Our main technical result is an algorithm for computing a correlated equilibrium of a large game while satisfying joint differential privacy. Although our recommender mechanisms are designed to satisfy game-theoretic properties, our solution ends up satisfying a strong privacy property as well. No group of players can learn "much" about the type of any player outside the group from the recommendations of the mechanism, even if these players collude in an arbitrary way. As such, our algorithm is able to implement equilibria of complete information games, without revealing information about the realized types.

研究の動機と目的

• 不完全情報を持つ大規模ゲームにおいて、プレイヤーが自発的に推薦に従うインcentive-compatibleなメカニズムの設計を目的とする。
• 成果の強制や参加の義務化なしに均衡を実装する課題に対処することを目的とする。
• プレイヤーが協力しても、個々のプレイヤーのタイプに関する重要な情報を漏洩しないようにすることを目的とする。
• ゲーム理論的均衡実装と微分プライバシーの間の明確な関係を確立することを目的とする。
• 大規模ゲームにおける連携微分プライバシーのもとで、相関均衡を計算する実用的なアルゴリズムの開発を目的とする。

提案手法

• メカニズムは、コンプライアンスや参加の強制なしに、プレイヤーのタイプに基づいて行動を提案する推薦者として機能する。
• 任意のプレイヤーのタイプに関する情報漏洩を制限する「連携微分プライバシー」と呼ばれる微分プライバシーの変種を活用する。
• コアとなる手法は、連携微分プライバシーを満たすように設計されたアルゴリズムを用いて相関均衡を計算することであり、これにより推薦がインcentive-compatibleかつプライベートであることを保証する。
• アルゴリズムは、プレイヤーの団体が外部プレイヤーのタイプについてほとんど何も推測できないようにする。
• メカニズムの設計は、個々の行動が他のプレイヤーの報酬にほとんど影響を与えない大規模ゲームの構造に依存している。
• 理論的分析により、このようなメカニズムが完全情報ゲームの均衡を実装するとともに、プライバシーを保持することを証明している。

実験結果

リサーチクエスチョン

• RQ1 参加の強制や参加義務なしに、推薦メカニズムは大規模な不完全情報ゲームにおける均衡を実装できるか？
• RQ2 連携微分プライバシーをどのように活用すれば、プレイヤーのタイプに関する機微な情報を漏洩させずに推薦を実現できるか？
• RQ3 どのような条件下で、相関均衡の計算が同時にインcentive compatibility と強いプライバシー保証を満たすことができるか？
• RQ4 プライバシー保護型メカニズムでも、大規模ゲームにおいて戦略的効率性を達成できるか？
• RQ5 大規模ゲームにおける微分プライバシーと均衡実装の関係は何か？

主な発見

• 自発的な参加と強制なしに、推薦メカニズムは大規模な不完全情報設定下で完全情報ゲームの均衡を実装できる。
• 連携微分プライバシーを満たす相関均衡を計算する任意のアルゴリズムは、望ましいインcentive特性を持つ直接的な推薦メカニズムとして使用可能である。
• 協力するプレイヤーのグループであっても、グループ外のプレイヤーのタイプについて重要な情報を学ぶことはできない。
• ソリューションは、任意の協力に対しても、強いゲーム理論的インcentive と強いプライバシーの両方を満たしている。
• 提案されたアルゴリズムは連携微分プライバシーのもとで相関均衡を計算し、大規模ゲームにおけるプライバシー保護型均衡実装を可能にする。
• フレームワークは微分プライバシーとメカニズム設計の間に明確な関係を確立し、プライバシー保護型アルゴリズムが自然にインcentive-compatibleなメカニズムを生み出すことを示している。