[論文レビュー] Understanding Incentives: Mechanism Design becomes Algorithm Design

Yang Cai, Constantinos Daskalakis+1 more|arXiv (Cornell University)|May 17, 2013

Auction Theory and Applications参考文献 24被引用数 18

ひとこと要約

本稿は、任意の凹型目的関数、可能性制約、入札者タイプに対して、計算的に効率的で近似比を保つメカニズム設計からアルゴリズム設計への還元を提示する。真実性のある収益最大化と仮想福利最大化の計算的同等性を確立し、単一の単調な部分加法的入札者に対しても、任意の多項式要因内で近似可能でないことが示されている。

ABSTRACT

We provide a computationally efficient black-box reduction from mechanism design to algorithm design in very general settings. Specifically, we give an approximation-preserving reduction from truthfully maximizing \emph{any} objective under \emph{arbitrary} feasibility constraints with \emph{arbitrary} bidder types to (not necessarily truthfully) maximizing the same objective plus virtual welfare (under the same feasibility constraints). Our reduction is based on a fundamentally new approach: we describe a mechanism's behavior indirectly only in terms of the expected value it awards bidders for certain behavior, and never directly access the allocation rule at all. Applying our new approach to revenue, we exhibit settings where our reduction holds \emph{both ways}. That is, we also provide an approximation-sensitive reduction from (non-truthfully) maximizing virtual welfare to (truthfully) maximizing revenue, and therefore the two problems are computationally equivalent. With this equivalence in hand, we show that both problems are NP-hard to approximate within any polynomial factor, even for a single monotone submodular bidder. We further demonstrate the applicability of our reduction by providing a truthful mechanism maximizing fractional max-min fairness. This is the first instance of a truthful mechanism that optimizes a non-linear objective.

研究の動機と目的

• アルゴリズム設計と比較して、メカニズム設計が計算複雑性をどの程度増加させるかという根本的問いに応えること。
• 任意の可能性制約と入札者タイプを想定した一般設定において、メカニズム設計からアルゴリズム設計への汎用的で近似比を保つ還元を開発すること。
• 一般条件下での真実性のある収益最大化と仮想福利最大化の計算的同等性を確立すること。
• 非線形目的関数である分数型の最大最小公平性を最適化する真実性のあるメカニズムを、提案された枠組みを用いて初めて構築すること。

提案手法

• 特定の行動に対する期待支払いによるメカニズムの新しい間接的特徴付けを導入し、割当ルールへの直接アクセスを回避する。
• マルチディメンションメカニズム設計問題（MDMDP）を「あらゆる差分を解く問題」（SADP）にTuring還元する。
• 仮想タイプとアルゴリズム的近似に基づくメカニズムの暗黙的表現を計算するための線形計画法フレームワークを構築し、『奇妙な分離オракル』を用いる。
• 仮想福利最大化の非真実性アルゴリズムを、仮想タイププロファイルの凸結合により真実性のあるメカニズムに変換する。
• 仮想タイプと支払いの双対性を活用してインcentive compatibility（インcentive適合性）を保ちながら、近似保証を維持する。
• 還元を応用して、非線形目的関数である分数型最大最小公平性を最適化する真実性のあるメカニズムを構築する。

実験結果

リサーチクエスチョン

• RQ1 任意の凹型目的関数に対して、近似比を保ちながらメカニズム設計をアルゴリズム設計に還元することは可能か？
• RQ2 一般設定において、真実性のある収益最大化と仮想福利最大化の間には計算的同等性があるか？
• RQ3 最大最小公平性のような非線形目的関数に対して真実性のあるメカニズムを設計できるか？
• RQ4 一般の入札者タイプ（例えば、単調な部分加法的評価）を想定した設定において、収益の近似の計算複雑性はいかほどか？
• RQ5 この還元は、加法的入札者と線形目的関数を超えた設定にも適用可能か？

主な発見

• 本稿は、任意の凹型目的関数、可能性制約、入札者タイプに対して、一般的で計算的に効率的かつ近似比を保つメカニズム設計からアルゴリズム設計への還元を確立した。
• 収益最大化において、この還元は両方向に成立し、真実性のある収益最大化と仮想福利最大化が計算的に同等であることを証明した。
• 真実性のある収益最大化と仮想福利最大化の両方が、単一の単調な部分加法的入札者に対しても、任意の多項式要因内で近似可能でないことが示された。
• この枠組みにより、非線形目的関数（分数型最大最小公平性）を最適化する真実性のあるメカニズムの初めての構築が可能になった。これにより、本手法の広範な適用可能性が示された。
• 還元は、割当ルールの直接操作を回避するため、期待支払いと仮想タイプに基づく新しい間接的メカニズム表現に依存している。
• 本手法は、仮想福利のアルゴリズム的近似に基づく特別に構築された分離オラクルを用いた線形計画法を解くことで、近似保証を達成する。