[論文レビュー] Smoothed and Average-case Approximation Ratios of Mechanisms: Beyond the Worst-case Analysis

Xiaotie Deng, Yansong Gao+1 more|arXiv (Cornell University)|May 19, 2017

Auction Theory and Applications参考文献 29被引用数 5

ひとこと要約

本稿は、メカニズム設計における滑らかさおよび平均ケースの近似比分析を導入し、最悪ケースの境界にとどまらない。片側マッチング問題において、最悪ケース近似比がΘ(√n)であるにもかかわらず、ランダムプライオリティは定数の滑らかさ近似比と、1+e未満の平均ケース比を達成することを証明しており、実用的成績の裏付けを説明する。

ABSTRACT

The approximation ratio has become one of the dominant measures in mechanism design problems. In light of analysis of algorithms, we define the \emph{smoothed approximation ratio} to compare the performance of the optimal mechanism and a truthful mechanism when the inputs are subject to random perturbations of the worst-case inputs, and define the \emph{average-case approximation ratio} to compare the performance of these two mechanisms when the inputs follow a distribution. For the one-sided matching problem, \citet{FFZ:14} show that, amongst all truthful mechanisms, \emph{random priority} achieves the tight approximation ratio bound of $Θ(\sqrt{n})$. We prove that, despite of this worst-case bound, random priority has a \emph{constant smoothed approximation ratio}. This is, to our limited knowledge, the first work that asymptotically differentiates the smoothed approximation ratio from the worst-case approximation ratio for mechanism design problems. For the average-case, we show that our approximation ratio can be improved to $1+e$. These results partially explain why random priority has been successfully used in practice, although in the worst case the optimal social welfare is $Θ(\sqrt{n})$ times of what random priority achieves. These results also pave the way for further studies of smoothed and average-case analysis for approximate mechanism design problems, beyond the worst-case analysis.

研究の動機と目的

• メカニズム設計における最悪ケース近似比分析の限界を扱う。これは、実世界の性能を反映しない可能性がある。
• 真実性を持つメカニズムのより現実的な性能指標として、滑らかさおよび平均ケースの近似比フレームワークを提案する。
• これらの新しい指標の下で、片側マッチング問題におけるランダムプライオリティの性能を分析する。
• 真実性を持つメカニズムについて、最悪ケースと滑らかさ／平均ケース性能の理論的分離を示す。
• 将来的な研究の基盤を提供する。特に、スケジューリングおよびリソース割り当て問題を含む、より広範なメカニズム設計問題における滑らかさおよび平均ケース分析の研究に向けた基盤を提供する。

提案手法

• 最悪ケース入力に対してわずかな確率的摂動を加えた場合の、最適メカニズムと真実性を持つメカニズムの性能比の期待値として、滑らかさ近似比を定義する。
• 入力評価の均一分布の下での性能比の期待値として、平均ケース近似比を定義する。
• 確率的バウンドと集中不等式を用いて、さまざまな評価プロファイル下でのランダムプライオリティの社会的厚生を分析する。
• ランダムプライオリティの社会的厚生に基づき、評価空間を3つの領域（低、中、高）に分割し、それぞれの領域における近似比のバウンドを求める。
• 対称性および均一分布の性質を活用して、Pr[SW_RP ≥ n/2] ≥ 1/2 を示す。
• 条件付き期待値と漸近的解析を組み合わせ、平均ケース比の最終的な上界1+eを導出する。

実験結果

リサーチクエスチョン

• RQ1 最悪ケース比が漸近的に大きいメカニズムであっても、定数の滑らかさ近似比を達成できるか？
• RQ2 片側マッチングにおけるランダムプライオリティの平均ケース近似比は、Θ(√n)の最悪ケース比にもかかわらず、有界のまま保たれるか？
• RQ3 滑らかさおよび平均ケース分析は、ランダムプライオリティのようなメカニズムの実用的成績をより正確に説明できるか？
• RQ4 異なる評価分布は、メカニズム設計における平均ケース近似比にどのように影響するか？
• RQ5 滑らかさおよび平均ケース分析フレームワークは、片側マッチングを越えた他のメカニズム設計問題へ拡張可能か？

主な発見

• ランダムプライオリティは、最悪ケース比がΘ(√n)であるにもかかわらず、定数の滑らかさ近似比を達成する。
• 評価の均一分布の下で、ランダムプライオリティの平均ケース近似比は1+eで上界をもつ。
• 均一入力分布の下で、ランダムプライオリティが最適社会的厚生の半分以上を達成する確率は1/2以上である。
• 分析により、真実性を持つメカニズムについて、最悪ケースと滑らかさ／平均ケース性能の明確な分離が示された。
• 結果は、コース割り当てやシフト割り当てのような実世界の応用におけるランダムプライオリティの実用的成績に対する理論的裏付けを提供する。
• フレームワークは、特にスケジューリングおよびリソース割り当て問題を含む、メカニズム設計における滑らかさおよび平均ケース性能の研究に新たな道を開く。