[論文レビュー] On the (In)approximability of Combinatorial Contracts

Tomer Ezra, Michal Feldman+1 more|arXiv (Cornell University)|Nov 30, 2023

Auction Theory and Applications被引用数 1

ひとこと要約

この論文は、多エージェントおよび多アクション設定における組合せ的報酬設計の強力な近似不能性結果を確立する。多エージェントモデルでは、部分加法的成功確率関数に対して、多項式時間アルゴリズムが0.7-近似よりも良い結果を得ることは不可能であることを証明する。また、XOS関数に対しては、価値クエリのみでは定数近似も得られないことを示す。多アクションモデルでは、部分加法的関数に対して定数近似が存在しないことを証明し、XOS関数に対しても、n^{-1/2+ε}-近似が任意のε > 0に対して不可能であることを示し、これらの設定における近似の限界を解消する。

ABSTRACT

We study two combinatorial contract design models -- multi-agent and multi-action -- where a principal delegates the execution of a costly project to others. In both settings, the principal cannot observe the choices of the agent(s), only the project's outcome (success or failure), and incentivizes the agent(s) using a contract, which is a payment scheme that specifies the payment to the agent(s) upon a project's success. In the multi-agent setting, the project is delegated to a team of agents, and every agent chooses whether or not to exert effort. A success probability function specifies the probability of success for every subset of agents exerting effort. For the family of submodular success probability functions, Duetting et al. [2023] established a poly-time constant-factor approximation to the optimal contract, and left open whether this problem admits a PTAS. We show that no poly-time algorithm guarantees a better than $0.7$-approximation to the optimal contract. For XOS functions, Duetting et al. [2023] give a poly-time constant approximation with value and demand queries. We show that with value queries only, one cannot get any constant approximation. In the multi-action setting, the project is delegated to a single agent, who can take any subset of a given set of actions. Here, a success probability function specifies the probability of success for any subset of actions. Duetting et al. [2021a] devised a poly-time algorithm for computing an optimal contract for gross substitutes success probability functions, and established NP-hardness with respect to submodular functions. We further strengthen this hardness result by showing that this problem does not admit any constant approximation either. For the broader class of XOS functions, we establish the hardness of obtaining a $n^{-1/2+\varepsilon}$-approximation for any $\varepsilon > 0$.

研究の動機と目的

• Düttingら（2023a）が未解決のまま残した、多エージェント報酬設計モデルにおける部分加法的成功確率関数がPTASを許容するか否かという未解決問題を解決すること。
• 価値クエリのみが利用可能な多エージェントモデルにおけるXOS関数の近似の限界を特定すること。
• 多アクションモデルにおける部分加法的関数の既知のNP困難性結果を強化し、定数近似が不可能であることを証明すること。
• 多アクションモデルにおけるXOS関数のタイトな近似不能性バウンダを確立し、n^{-1/2+ε}-近似が任意のε > 0に対して不可能であることを示すこと。

提案手法

• グラフ構造に基づいて慎重に構築された成功確率関数を用いて、最大クリーク問題を報酬設計問題に還元する。
• エージェントの最良応答に依存する報酬関数を構築し、特定のパrameter設定下でそれが最大クリークに一致することを示す。
• 潜在的な報酬値の範囲に対してバイナリサーチに類似したアプローチを用い、クリーク数が小さいか大きなグラフを区別する。
• 最大クリーク問題への還元を用いて、部分加法的関数に対して0.7より良い要因での最適報酬の近似が不可能であることを証明する。
• 報酬パラメータをキャリブレーションするため、元のグラフをクリーク構造を制御可能な新しいグラフG'に変換する。
• β-近似報酬オラクルへのオラクルアクセスを用いて、最大クリーク問題に対するβ²/4-近似アルゴリズムをシミュレートし、近似不能性の閾値を証明する。

実験結果

リサーチクエスチョン

• RQ1 Dütting ら（2023a）が未解決のまま残したように、部分加法的成功確率関数を有する多エージェント報酬設計問題にPTASは存在するか？
• RQ2 需要クエリなしに、価値クエリのみを用いて多エージェントモデルにおけるXOS関数に対して定数近似が達成可能か？
• RQ3 成功確率関数が部分加法的である場合、多アクション報酬設計問題に定数近似アルゴリズムは存在するか？
• RQ4 多アクションモデルにおけるXOS関数の最良の可能な近似比は何か？また、任意のε > 0に対してn^{-1/2+ε}-近似は達成可能か？
• RQ5 多エージェントまたは多アクションモデルにおける最適報酬は、価値クエリのみを用いて定数要因内で近似可能か？

主な発見

• 部分加法的成功確率関数を有する多エージェント報酬設計問題にはPTASが存在せず、任意の多項式時間アルゴリズムが最適報酬に対して0.7-近似よりも良い結果を得ることは不可能である。
• 多エージェントモデルにおけるXOS関数に対しては、価値クエリのみを用いて定数近似が達成可能でないことが示され、Dütting ら（2023a）が未解決のまま残した問いを解消する。
• 多アクションモデルでは、部分加法的成功確率関数を有する報酬設計問題に対して、定数因子近似が存在しないことが証明され、既知のNP困難性結果が強化される。
• 多アクションモデルにおけるXOS関数に対しては、任意のε > 0に対してn^{-1/2+ε}-近似が不可能であることが示され、タイトな近似不能性閾値が確立される。
• 最大クリーク問題から報酬設計問題への還元を確立し、任意のβ-近似報酬オラクルを用いて最大クリーク問題に対するβ²/4-近似を得られることを示した。
• 結果は、XOS関数の両モデルにおいて、価値クエリのみでは定数近似が達成できないことを示しており、より強いクエリタイプの必要性を強調する。