[論文レビュー] Sample Complexity for Winner Prediction in Elections

Palash Dey, Arnab Bhattacharyya|arXiv (Cornell University)|May 4, 2015

Game Theory and Voting Systems参考文献 30被引用数 18

ひとこと要約

この論文は、ランダムサンプリングを用いた選挙の勝者予測に必要なサンプルの複雑さを分析し、勝者予測の確率的定式化を明確にするために（ε, δ）-勝者決定問題を導入している。多くの一般的な投票ルールにおいて、タイトな上界と下界を確立し、多くの実用的状況において、εおよびδに応じてサンプルサイズが効率的にスケーリングされることを示している。

ABSTRACT

Predicting the winner of an election is a favorite problem both for news media pundits and computational social choice theorists. Since it is often infeasible to elicit the preferences of all the voters in a typical prediction scenario, a common algorithm used for winner prediction is to run the election on a small sample of randomly chosen votes and output the winner as the prediction. We analyze the performance of this algorithm for many common voting rules.More formally, we introduce the (e, δ)-winner determination problem, where given an election on n voters and m candidates in which the margin of victory is at least en votes, the goal is to determine the winner with probability at least 1-δ. The margin of victory of an election is the smallest number of votes that need to be modified in order to change the election winner. We show interesting lower and upper bounds on the number of samples needed to solve the (e, δ)-winner determination problem for many common voting rules, including scoring rules, approval, maximin, Copeland, Bucklin, plurality with runoff, and single transferable vote. Moreover, the lower and upper bounds match for many common voting rules in a wide range of practically appealing scenarios.

研究の動機と目的

• 少数のランダムサンプルから選挙の勝者を予測する問題を形式化すること。
• 勝者獲得のマージンが少なくとも εn である場合に、望ましい成功確率（1−δ）を達成するために必要な最小サンプル数を分析すること。
• スコアリングルール、承認投票、マクスミン、コペランド、バクリン、 runoff を伴う plurality、および STV を含む、幅広い投票ルールにおけるサンプル複雑さのタイトな上界と下界を導出すること。
• サンプル複雑さが効率的に境界付けられ、多くのルールにおいて境界がほぼ一致する実用的状況を特定すること。

提案手法

• （ε, δ）-勝者決定問題を導入し、ε は相対的勝者獲得マージン、δ は誤差確率を表す。
• 確率的解析を用いて、真の勝者を確率 1−δ 以上で特定するために必要なランダムサンプルの数を制限する。
• 集中不等式と投票ルール固有の構造的性質を適用して、サンプル複雑さの境界を導出する。
• 複数の投票ルールにわたって、上界（達成可能なサンプルサイズ）と下界（情報理論的限界）を比較する。
• 勝者獲得マージンを、勝者予測の難易度を定量化するための主要パラメータとして活用する。

実験結果

リサーチクエスチョン

• RQ1 勝者獲得マージンが少なくとも εn である場合に、高い確率（1−δ）で選挙の勝者を予測するために必要な最小サンプル数は何か？
• RQ2 plurality、承認、Borda などの異なる一般的な投票ルールにおいて、サンプル複雑さの境界はどのように変化するか？
• RQ3 上界と下界が実用的な選挙設定においてほぼ一致するパrameter 範囲は何か？
• RQ4 標準的なサンプリング解析に容易に適合しない複雑なルール（例：STV やバクリン）に対しても、タイトな境界を導出できるか？

主な発見

• スコアリングルール、承認、マクスミンを含む多くの一般的な投票ルールにおいて、サンプル複雑さはタイトに境界付けられており、実用的状況では上界と下界が一致する。
• 必要なサンプル数は、勝者獲得マージン ε に反比例し、誤差確率 δ の対数に比例して増加する。
• コペランド、バクリン、 runoff を伴う plurality、および単一移動可能投票（STV）に対してもタイトな境界が確立されており、現実的な条件下でサンプリングに基づく予測が可能であることが示された。
• 個々の票に高い感度を示すルールでは、サンプル複雑さが増加するが、ε が 0 から離れている限り、管理可能な範囲に保たれる。
• 勝者獲得マージンが有権者の定数割合である場合、必要なサンプル数は O(log(1/δ)/ε²) に収束し、既知の統計的学習の境界と一致する。