[논문 리뷰] Implementing Optimal Outcomes in Social Computing: A Game-Theoretic Approach

Arpita Ghosh, Patrick Hummel|arXiv (Cornell University)|2012. 02. 15.

Experimental Behavioral Economics Studies인용 수 6

한 줄 요약

이 논문은 사회계산 시스템에서 '최고 기여' 메커니즘—즉, 유일하게 최고의 기여에만 높은 보상이 주어지는 메커니즘—이 최적의 결과를 어떻게 실현할 수 있는지 평가하기 위해 게임 이론 프레임워크를 제안한다. 기여자의 품질이 전적으로 전문성에 의존할 경우 대칭 균형을 통해 최적의 결과를 달성할 수 있음을 보여주지만, 노력이 내생적으로 결정될 경우 최적의 결과를 실현하기 위해 노력 유도를 위한 불완전한 순위 매기기가 필요하다는 것을 밝힌다.

ABSTRACT

In many social computing applications such as online Q&A forums, the best contribution for each task receives some high reward, while all remaining contributions receive an identical, lower reward irrespective of their actual qualities. Suppose a mechanism designer (site owner) wishes to optimize an objective that is some function of the number and qualities of received contributions. When potential contributors are strategic agents, who decide whether to contribute or not to selfishly maximize their own utilities, is such a "best contribution" mechanism, M_B, adequate to implement an outcome that is optimal for the mechanism designer? We first show that in settings where a contribution's value is determined primarily by an agent's expertise, and agents only strategically choose whether to contribute or not, contests can implement optimal outcomes: for any reasonable objective, the rewards for the best and remaining contributions in M_B can always be chosen so that the outcome in the unique symmetric equilibrium of M_B maximizes the mechanism designer's utility. We also show how the mechanism designer can learn these optimal rewards when she does not know the parameters of the agents' utilities, as might be the case in practice. We next consider settings where a contribution's value depends on both the contributor's expertise as well as her effort, and agents endogenously choose how much effort to exert in addition to deciding whether to contribute. Here, we show that optimal outcomes can never be implemented by contests if the system can rank the qualities of contributions perfectly. However, if there is noise in the contributions' rankings, then the mechanism designer can again induce agents to follow strategies that maximize his utility. Thus imperfect rankings can actually help achieve implementability of optimal outcomes when effort is endogenous and influences quality.

연구 동기 및 목표

• 전략적 기여자들이 참여하는 사회계산 시스템에서 최고 기여 메커니즘(MB)이 최적의 결과를 실현할 수 있는지 판단하는 것.
• 기여 품질이 기여자의 전문성에만 의존하는 경우와 내생적인 노력 결정이 포함된 경우를 분석하는 것.
• 다양한 보상 구조 하에서 대칭 및 비대칭 균형에서 최적의 결과가 달성될 수 있는지 조사하는 것.
• 기여자들의 유틸리티 파rameter가 알려져 있지 않을 경우 메커니즘 설계자가 최적의 보상 파rameter를 어떻게 학습할 수 있는지 탐색하는 것.
• 노력이 내생적으로 선택될 경우 랭킹 노이즈가 최적의 실현 가능성을 어떻게 도와주는지 검토하는 것.

제안 방법

• 기여 여부를 결정할 때 전문성과 유틸리티 함수를 고려하는 게임 이론 모델을 수립한다.
• 최고 기여 메커니즘(MB)을 도입하며, 두 개의 파rameter를 포함한다: pB(최고 기여자에게 주는 보상)와 pC(모든 다른 기여자에게 주는 보상).
• 기여자가 전문성이 기준값을 초과할 경우에만 기여하는 임계값 전략을 사용해 대칭 균형을 분석한다.
• 적절한 pB와 pC의 선택을 통해 최적의 결과가 실현 가능한 조건을 유도한다.
• 불완전한 품질 평가를 모델링하기 위해 노이즈가 있는 랭킹 함수(si = qi + ǫi)를 도입하여 노력에 대한 경계적 유인 조건을 제공한다.
• 비교 정적 분석과 균형 분석을 통해 노이즈 있는 랭킹 하에서 ∂π/∂qi > 0임을 보여주며, 이는 노력에 대한 유인 조건을 생성한다.

실험 결과

연구 질문

• RQ1 기여자의 품질이 전적으로 전문성에 의존할 경우, 최고 기여 메커니즘 MB가 기여자들이 전략적으로 참여하는 균형에서 최적의 결과를 실현할 수 있는가?
• RQ2 기여자들이 노력 수준을 내생적으로 선택할 경우 최적의 결과를 실현할 수 있는가? 이는 랭킹 정밀도에 어떻게 의존하는가?
• RQ3 노력이 내생적으로 선택될 경우 랭킹 노이즈가 최적의 실현 가능성을 어떻게 도와주는가?
• RQ4 기여자들의 유틸리티 파rameter가 알려져 있지 않을 경우 메커니즘 설계자는 최적의 보상 파rameter pB와 pC를 어떻게 학습할 수 있는가?
• RQ5 최적의 결과를 이끌지 못하는 비대칭 균형이 존재하는가? 이러한 균형은 피할 수 있는가?

주요 결과

• 기여 품질이 전적으로 전문성에 의존할 경우, 적절한 pB와 pC의 선택을 통해 대칭 균형을 통해 최적의 결과를 실현할 수 있다.
• 기여자들의 정확한 유틸리티 파rameter를 알지 못하더라도 메커니즘 설계자는 반복적 조정을 통해 최적의 보상 파rameter를 학습할 수 있다.
• 노력이 내생적이고 랭킹이 완벽한 경우 어떤 경연 메커니즘으로도 최적의 결과를 실현할 수 없다.
• 노이즈가 있는 랭킹(si = qi + ǫi) 하에서 ∂π/∂qi > 0이 성립할 경우, 노력의 한계비용이 너무 높지 않다면 최적의 결과를 실현할 수 있다.
• 불완전한 랭킹은 기여자들이 더 많은 노력을 기울이도록 이끄는 유인 조건을 제공한다. 랭킹이 완벽하지 않더라도 품질 향상은 승리 확률을 높이기 때문이다.
• 이 결과는 원인-대리자 이론의 유사한 발견과 유사하다: 불완전한 모니터링은 노력이 결과 랭킹에 더 큰 영향을 미치게 하여 유인 조건을 향상시킬 수 있다.