[논문 리뷰] Mechanism Design in Large Games: Incentives and Privacy

Michael Kearns, Mallesh M. Pai외 2명|arXiv (Cornell University)|2012. 07. 17.

Privacy-Preserving Technologies in Data참고 문헌 30인용 수 6

한 줄 요약

이 논문은 공동 미분적 비밀유지 기반으로 대규모 부완전정보 게임에서 균형을 실현하기 위한 추천 기계를 제안하며, 민감한 유형 정보를 드러내지 않고 인센티브 호환성 있는 추천을 가능하게 한다. 공동 미분적 비밀유지를 만족하는 어떤 연관 균형 알고리즘이라도 추천 기계로 활용될 수 있음을 보여주며, 전략적 인센티브와 강력한 집단 수준의 프라이버시를 모두 보장한다.

ABSTRACT

We study the problem of implementing equilibria of complete information games in settings of incomplete information, and address this problem using "recommender mechanisms." A recommender mechanism is one that does not have the power to enforce outcomes or to force participation, rather it only has the power to suggestion outcomes on the basis of voluntary participation. We show that despite these restrictions, recommender mechanisms can implement equilibria of complete information games in settings of incomplete information under the condition that the game is large---i.e. that there are a large number of players, and any player's action affects any other's payoff by at most a small amount. Our result follows from a novel application of differential privacy. We show that any algorithm that computes a correlated equilibrium of a complete information game while satisfying a variant of differential privacy---which we call joint differential privacy---can be used as a recommender mechanism while satisfying our desired incentive properties. Our main technical result is an algorithm for computing a correlated equilibrium of a large game while satisfying joint differential privacy. Although our recommender mechanisms are designed to satisfy game-theoretic properties, our solution ends up satisfying a strong privacy property as well. No group of players can learn "much" about the type of any player outside the group from the recommendations of the mechanism, even if these players collude in an arbitrary way. As such, our algorithm is able to implement equilibria of complete information games, without revealing information about the realized types.

연구 동기 및 목표

• 플레이어가 자발적으로 추천을 따를 수 있는 인센티브 호환성 메커니즘을 설계하기 위해.
• 결과를 강제하거나 참가를 강요하지 않고 균형을 실현하는 데 도전하는 것.
• 플레이어가 공모하더라도 개별 플레이어의 유형에 대한 중요한 정보가 泄露되지 않도록 보장하기 위해.
• 게임이론적 균형 실현과 미분적 비밀유지 사이의 공식적 연결을 수립하기 위해.
• 대규모 게임에서 공동 미분적 비밀유지를 만족하는 연관 균형을 계산하는 실용적인 알고리즘을 개발하기 위해.

제안 방법

• 메커니즘은 플레이어 유형에 기반한 행동을 추천하는 방식으로 작동하며, 준수나 참가를 강제하지 않는다.
• 플레이어 그룹의 유형에 대한 정보 泄露를 제한하는 공동 미분적 비밀유지라는, 미분적 비밀유지의 변종을 활용한다.
• 핵심 방법은 연관 균형을 계산하면서 공동 미분적 비밀유지를 만족하는 알고리즘을 설계하는 것으로, 추천이 인센티브 호환성과 프라이버시를 동시에 확보하도록 보장한다.
• 어떤 플레이어 코али션도 추천을 통해 외부 플레이어의 유형에 대해 많은 정보를 유추할 수 없도록 보장한다.
• 메커니즘 설계는 개별 행동이 다른 이의 보상에 미치는 영향이 미미한 대규모 게임의 구조에 기반한다.
• 이론적 분석을 통해 이러한 메커니즘이 완전정보 게임의 균형을 실현하면서도 프라이버시를 유지함을 증명한다.

실험 결과

연구 질문

• RQ1 강제 또는 참가 제약 없이 추천 기계가 대규모 부완전정보 게임에서 균형을 실현할 수 있는가?
• RQ2 공동 미분적 비밀유지는 어떻게 플레이어 유형에 대한 민감한 정보 泄露를 방지할 수 있는가?
• RQ3 어떤 조건이 연관 균형 계산이 동시에 인센티브 호환성과 강력한 프라이버시 보장을 만족할 수 있도록 허용하는가?
• RQ4 프라이버시 보존 메커니즘은 여전히 대규모 게임에서 전략적 효율성을 달성할 수 있는가?
• RQ5 대규모 게임에서 미분적 비밀유지와 균형 실현 사이의 관계는 무엇인가?

주요 결과

• 자발적 참여와 강제 없이도 추천 기계는 대규모 부완전정보 환경에서 완전정보 게임의 균형을 실현할 수 있다.
• 공동 미분적 비밀유지를 만족하면서 연관 균형을 계산하는 알고리즘은 직접적으로 원하는 인센티브 특성을 가진 추천 기계로 사용될 수 있다.
• 공모하는 플레이어 그룹이 그룹 외부 플레이어의 유형에 대해 중요한 정보를 유추할 수 없다.
• 해결책은 임의의 공모 상황에서도 강력한 게임이론적 인센티브와 강력한 프라이버시를 동시에 만족한다.
• 제안된 알고리즘은 공동 미분적 비밀유지를 만족하면서 연관 균형을 계산하여, 대규모 게임에서 프라이버시 보존 균형 실현이 가능하게 한다.
• 프레임워크는 미분적 비밀유지와 메커니즘 설계 사이에 공식적 연결을 수립하며, 프라이버시 보존 알고리즘이 자연스럽게 인센티브 호환성 메커니즘을 도출함을 보여준다.