[논문 리뷰] A New Lower Bound for the Random Offerer Mechanism in Bilateral Trade using AI-Guided Evolutionary Search

Yang Cai, Vineet Gupta외 2명|arXiv (Cornell University)|2026. 03. 09.

Auction Theory and Applications인용 수 0

한 줄 요약

논문은 AI-가이드 진화 탐색(AlphaEvolve)을 사용하여 새로운 최악의 분포 쌍을 발견하고 Random Offerer(RO) 메커니즘의 최악의 경우 근사 비율에 대해 더 타이트한 하한을 제시하며, 거래의 최초 최적 이익(first-best gains from trade)에 대해 2.0749의 상대적 비율을 달성합니다.

ABSTRACT

The celebrated Myerson--Satterthwaite theorem shows that in bilateral trade, no mechanism can be simultaneously fully efficient, Bayesian incentive compatible (BIC), and budget balanced (BB). This naturally raises the question of how closely the gains from trade (GFT) achievable by a BIC and BB mechanism can approximate the first-best (fully efficient) benchmark. The optimal BIC and BB mechanism is typically complex and highly distribution-dependent, making it difficult to characterize directly. Consequently, much of the literature analyzes simpler mechanisms such as the Random-Offerer (RO) mechanism and establishes constant-factor guarantees relative to the first-best GFT. An important open question concerns the worst-case performance of the RO mechanism relative to first-best (FB) efficiency. While it was originally hypothesized that the approximation ratio $\frac{ ext{GFT}_{ ext{FB}}}{ ext{GFT}_{ ext{RO}}}$ is bounded by $2$, recent work provided counterexamples to this conjecture: Cai et al. proved that the ratio can be strictly larger than $2$, and Babaioff et al. exhibited an explicit example with ratio approximately $2.02$. In this work, we employ AlphaEvolve, an AI-guided evolutionary search framework, to explore the space of value distributions. We identify a new worst-case instance that yields an improved lower bound of $\frac{ ext{GFT}_{ ext{FB}}}{ ext{GFT}_{ ext{RO}}} \ge extbf{2.0749}$. This establishes a new lower bound on the worst-case performance of the Random-Offerer mechanism, demonstrating a wider efficiency gap than previously known.

연구 동기 및 목표

• RO 및 BB/BIC 메커니즘이 양자 간 거래의 최초 최적 이익에 얼마나 근접하게 근사할 수 있는지 연구의 동기를 부여한다.
• RO를 최대화하는 최악의 구매자-판매자 가치 분포를 식별한다.
• AI-guided evolution을 활용하여 GFT 격차를 극대화하는 새로운 분포 구조를 발견한다.
• 이산화(discretized) 분포에서의 GFT를 엄밀하고 정확하게 계산하여 하한을 인증한다.
• AI 구동 프로그래밍 합성의 잠재력이 직관적이지 않은 메커니즘 설계 결과를 드러내는 데 있음을 입증한다.

제안 방법

• First-Best GFT를 RO GFT로 나눈 비율을 분포(F_s, F_b)에서 최대화하는 문제로 문제를 형식화한다.
• 구매자 분포를 Discrete Equal Revenue로 고정하고 판매자 분포 F_s를 AlphaEvolve를 사용해 진화시킨다."
• 판매자의 CDF를 모듈화된 멱법의 혼합으로 표현하고 지수 모듈레이션을 사인 곡선으로 변조한다.
• 도메인을 H = 20,000으로 이산화하고 정수 산술로 고정밀도에서 GFT를 정확히 계산한다.
• 부동 소수점 오차를 피하고 정확한 GFT 계산을 보장하기 위해 PMF를 ε = 1e-15의 배수로 반올림한다.
• 결과적으로 얻은 최악의 비율과 해당하는 GFT 구성 요소를 보고한다.

Figure 1: Seller’s distribution as found by AlphaEvolve

실험 결과

연구 질문

• RQ1 분포의 판매자 비용과 구매자 가치에 대해 GFT_FB / GFT_RO의 최악의 근사 비율 ρ는 얼마인가?
• RQ2 AI-guided evolutionary search가 이전에 알려진 것보다 더 큰 GFT 격차를 만들어내는 판매자 분포를 발견할 수 있는가?
• RQ3 고정된 구매자 분포 하에서 RO 비효율성을 최대화하는 판매자 분포의 구조는 무엇인가?
• RQ4 발견된 분포가 Seller-Offering 및 Buyer-Offering GFT 구성 요소의 상대 기여도에 어떤 영향을 미치는가?
• RQ5 새로운 하한 2.0749가 이산화 및 정확한 계산에서 견고한가?

주요 결과

• RO 메커니즘에 대해 새로운 최악의 근사 비율 2.0749를 달성했다.
• 구성은 고정된 구매자 분포(Discrete Equal Revenue)와 새로운 진화된 판매자 분포를 쌍으로 사용한다.
• 판매자 분포는 지수의 모듈레이션이 있는 사인 곡선으로 변조된 멱법의 혼합이다.
• GFT_FB ≈ 1.2322, GFT_SO ≈ 0.3312, GFT_BO ≈ 0.8565, GFT_RO ≈ 0.5939.
• 이로써 ρ = GFT_FB / GFT_RO ≈ 2.0749가 되어 이전 하한인 약 2.02를 상회한다.
• 진화된 판매자 분포는 사인형 모듈레이션 매개변수 a1_amp = 0.05 및 a1_freq = 2.0을 사용한다.