[논문 리뷰] From Bayesian to Crowdsourced Bayesian Auctions.

Jing Chen, Bo Li외 1명|arXiv (Cornell University)|2017. 02. 05.

Auction Theory and Applications참고 문헌 48인용 수 3

한 줄 요약

이 논문은 입찰자들의 가치 분포에 대한 지식을 플레이어와 판매자 간에 분산시킴으로써 일반적인 사전 분포 가정을 완화하는 커뮤니티 기반 베이지안 경매를 소개한다. 단일 수요 및 가감형 경매에 대해 2단계의 지배 전략 진실성 메커니즘을 제안하며, 지식이 증가함에 따라 수익이 최적의 베이지안 메커니즘의 100%에 가까워짐을 보여주며, 지식이 커뮤니티 기반으로 분산되어 있을 경우 일반적인 사전 분포 가정이 수익에 거의 영향을 주지 않는다는 것을 시사한다.

ABSTRACT

A strong assumption in Bayesian mechanism design is that the distributions of the players' private types are common knowledge to the designer and the players--the common prior assumption. An important problem that has received a lot of attention in both economics and computer science is to repeatedly weaken this assumption in game theory--the Wilson's Doctrine. In this work we consider, for the first time in the literature, multi-item auctions where the knowledge about the players' value distributions is scattered among the players and the seller. Each one of them privately knows some or none of the value distributions, no constraint is imposed on who knows which distributions, and the seller does not know who knows what. In such an unstructured information setting, we design mechanisms for unit-demand and additive auctions, whose expected revenue approximates that of the optimal Bayesian mechanisms by crowdsourcing the players' and the seller's knowledge. Our mechanisms are 2-step dominant-strategy truthful and the revenue increases gracefully with the amount of knowledge the players have. In particular, the revenue starts from a constant fraction of the revenue of the best known dominant-strategy truthful Bayesian mechanisms, and approaches 100 percent of the later when the amount of knowledge increases. Our results greatly improve the literature on the relationship between the amount of knowledge in the system and what mechanism design can achieve. In some sense, our results show that the common prior assumption is without much loss of generality in Bayesian auctions if one is willing to give up a fraction of the revenue.

연구 동기 및 목표

• 모든 참가자가 다른 이의 가치 분포 사전 분포를 모두 알고 있다는 강력한 일반적인 사전 분포 가정을 해결하기 위해.
• 가치 분포에 대한 지식이 비정형적이고 입찰자 및 판매자 간에 산산이 흩어져 있는 현실적인 환경을 모델링하기 위해.
• 이러한 분산된 지식을 활용하여 최적의 베이지안 메커니즘의 수익을 근사하는 진실성 메커니즘을 설계하기 위해.
• 분산된 지식의 양이 증가함에 따라 수익이 어떻게 향상되는지 수량화하여, 지식의 양이 증가함에 따라 최적 수익으로의 부드러운 수렴을 보여주기 위해.

제안 방법

• 입찰자들이 가치 분포에 대한 비공개 지식을 보고하는 2단계 메커니즘을 설계하며, 판매자는 이 정보를 바탕으로 배분과 지불액을 계산한다.
• 타인의 행동과 무관하게 진실된 지식 보고가 최적임을 보장함으로써 지배 전략 진실성 메커니즘을 적용한다.
• 베이지안 최적 메커니즘을 기준선으로 삼고, 다양한 수준의 분산 지식 하에서 수익을 비교한다.
• 최적의 베이지안 메커니즘에 대한 메커니즘 성능을 상한선으로 제약하는 수익 근사 프레임워크를 적용한다.
• 입찰자 및 판매자로부터의 부분적 사전 분포를 통합하여 가치 분포의 전역 추정치를 형성하는 지식 집계 프로토콜을 도입한다.
• 메커니즘의 성능을 수익 근사도 측면에서 분석하여, 총 분산 지식의 양이 증가함에 따라 수익 근사도가 단조적으로 향상됨을 보여준다.

실험 결과

연구 질문

• RQ1 일반적인 사전 분포 가정이 위반되고 지식이 입찰자 및 판매자 간에 분산되어 있을 경우, 어떻게 베이지안 메커니즘 설계를 확장할 수 있는가?
• RQ2 가치 분포에 대한 부분적 지식만 있을 경우, 다중 품목 경매에서 수익을 얼마나 잘 근사할 수 있는가?
• RQ3 이러한 비정형적 지식 환경에서 여전히 높은 수익을 달성할 수 있는 진실성 메커니즘을 설계할 수 있는가?
• RQ4 총 분산 지식의 양이 증가함에 따라 제안된 메커니즘의 수익은 어떻게 변화하는가?
• RQ5 고수익 메커니즘을 위해 일반적인 사전 분포 가정이 필수적인가, 아니면 소량의 수익 손실을 감수함으로써 이를 완화할 수 있는가?

주요 결과

• 제안된 메커니즘은 지배 전략 진실성이며, 모든 참가자가 지식을 진실로 보고하는 것이 최적임을 보장한다.
• 지식이 적을 경우 메커니즘의 수익은 최적의 베이지안 메커니즘 수익의 일정 비율에 머무른다.
• 총 분산 지식의 양이 증가함에 따라 메커니즘의 수익은 최적의 베이지안 메커니즘 수익의 100%에 가까워진다.
• 지식의 양이 증가함에 따라 수익이 단조롭고 부드럽게 증가함을 보여, 정보 가용성과 성능 사이에 매끄러운 트레이드오프가 있음을 시사한다.
• 결과적으로 일반적인 사전 분포 가정이 수익에 거의 영향을 주지 않음을 입증하며, 지식 요구 조건을 완화하기 위해 소량의 수익 손실을 감수할 경우 이 가정을 완화할 수 있음을 보여준다.