[論文レビュー] Truthful Matching with Online Items and Offline Agents

Michal Feldman, Federico Fusco+2 more|arXiv (Cornell University)|Nov 3, 2022

Auction Theory and Applications被引用数 2

ひとこと要約

本稿は、敵対的順序でオンラインで到着するアイテムと、私的価値および希望アイテム集合を有するオフラインエージェントを伴う、福利最大化のための真実性のあるメカニズムを研究する。ミオピック（短視家的）エージェントおよびパブリック（公開）希望集合の下では、Karp, Vazirani, Vaziraniの古典的な e/(e−1) の競合比が真実性メカニズムに拡張されることを確立する。一方、非ミオピック（長期的視野を持つ）エージェントおよび私的エッジ（エッジが非公開）の下では、競合比は Ω(log ν / log log ν) に低下し、戦略的・非戦略的設定の間で明確な分離が示される。

ABSTRACT

We study truthful mechanisms for welfare maximization in online bipartite matching. In our (multi-parameter) setting, every buyer is associated with a (possibly private) desired set of items, and has a private value for being assigned an item in her desired set. Unlike most online matching settings, where agents arrive online, in our setting the items arrive online in an adversarial order while the buyers are present for the entire duration of the process. This poses a significant challenge to the design of truthful mechanisms, due to the ability of buyers to strategize over future rounds. We provide an almost full picture of the competitive ratios in different scenarios, including myopic vs. non-myopic agents, tardy vs. prompt payments, and private vs. public desired sets. Among other results, we identify the frontier for which the celebrated $e/(e-1)$ competitive ratio for the vertex-weighted online matching of Karp, Vazirani and Vazirani extends to truthful agents and online items.

研究の動機と目的

• アイテムがオンラインで到着し、エージェントがオフラインで私的価値および希望集合を有するオンライン二部マッチングにおける福利最大化のための真実性メカニズムを設計すること。
• エージェントのミオピック性、支払いタイミング（即時 vs. 遅延）および希望集合の公開・非公開が競合比に与える影響を分析すること。
• 特に将来の機会を予測する戦略的エージェントが存在する状況下で、真実性メカニズムの限界を特定すること。
• 特に戦略的エージェントが将来の機会を予測する状況下で、古典的なオンラインマッチングの保証が真実性メカニズムにどの程度まで拡張可能であるかを同定すること。

提案手法

• 探索（エージェントタイプの学習）と活用（アイテムの割り当て）のバランスを保つことで真実性を維持する「Explore-Exploit Mechanism」を提案する。
• エージェントを価値でグループ化するバケツ化技術を用い、エージェントタイプの条件付き期待値（活用／探索）を分析する。
• 期待値の線形性とバケツ間のアンモライズド解析を用いて、期待福利厚さをOPT（最適解）に対して有界化する。
• 事前真実性を有する確率的メカニズムを導入し、私的エッジ下で α < 2 が達成不可能であることを証明する。
• バケツインデックスに関する全確率の法則を用いて、すべての価値範囲にわたる境界を集約する。
• 即時および遅延メカニズムを分析し、非ミオピックエージェントとパブリックエッジの下では性能が同等であることを示す。

実験結果

リサーチクエスチョン

• RQ1 エージェントがオフラインでアイテムがオンラインで到着する状況下で、古典的なランキングアルゴリズムの e/(e−1) 競合比が真実性メカニズムに保たれるか。
• RQ2 エージェントが非ミオピックで希望集合が私的である場合、ミオピックまたはパブリック集合設定と比較して、競合比はどの程度低下するか。
• RQ3 私的エッジが存在する状況下で、事前真実性メカニズムが達成可能な最良の競合比は何か。
• RQ4 真実性設計の難易度は、主に事後真実性に起因するのか、それともより弱い事前真実性下でも本質的に存在するのか。
• RQ5 支払いタイミング（即時 vs. 遅延）およびエージェントのミオピック性は、真実性メカニズムの設計と性能にどのように影響するか。

主な発見

• 短視家的エージェントとパブリック希望集合の下では、確率的メカニズムを用いて e/(e−1) の競合比を達成し、古典的結果と一致する。
• 短視家的エージェントと私的希望集合の下でも、競合比は e/(e−1 のまま維持され、ミオピック性下では私的集合が性能を低下させないことが示される。
• 非短視家的エージェントとパブリックエッジの下では、将来のアイテムに対する戦略的操作のため、競合比は O(log ν) となる。ここで ν = min(m,n) である。
• 非短視家的エージェントと私的エッジの下では、競合比は Ω(log ν / log log ν) に低下し、私的情報による性能の著しい損失が示される。
• 本稿では、私的エッジ下で、任意の確率的事前真実性メカニズムが α < 2 の近似を達成できないことを証明している。たとえ遅延支払いであっても同様である。
• 結果として、真実性メカニズムにおける明確な分離が示された：非短視家的エージェントでは対数的競合比を示すが、短視家的エージェントでは最適な e/(e−1) 競合比が保たれる。