[논문 리뷰] Randomized Strategyproof Mechanisms for Facility Location and the Mini-Sum-of-Squares Objective

Michal Feldman, Yoav Wilf|arXiv (Cornell University)|2011. 08. 08.

Game Theory and Voting Systems참고 문헌 15인용 수 7

한 줄 요약

이 논문은 나무 네트워크에서 시설 위치 문제를 위한 통합된 랜덤화된 전략적 증명 가능 메커니즘 가족을 제안하며, 이는 이전의 결정론적 및 랜덤화된 메커니즘을 통합한다. 이 메커니즘은 직선에서 mini-Sum-of-Squares (miniSOS) 목적 함수에 대해 1.5-근사값을 달성하고 일반적인 나무에서 1.83-근사값을 달성하며, 이는 더 나은 성능을 낼 수 없는 랜덤화된 전략적 증명 가능 메커니즘이 존재하지 않음을 증명한다. 또한 결정론적 메커니즘은 직선에서도 최대 2-근사값을 달성할 수 있을 뿐이지 더 나은 성능을 내지 못함을 보여준다.

ABSTRACT

We consider the problem of locating a public facility on a line, where a set of $n$ strategic agents report their \emph{locations} and a mechanism determines, either deterministically or randomly, the location of the facility. Game theoretic perspectives of the facility location problem advanced in two main directions. The first direction is concerned with the characterization of \emph{strategyproof} (SP) mechanisms; i.e., mechanisms that induce truthful reporting as a dominant strategy; and the second direction quantifies how well various objective functions can be approximated when restricted to SP mechanisms. The current paper provides contributions in both directions. First, we construct a parameterized randomized SP mechanism, and show that all of the previously proposed deterministic and randomized SP mechanisms for the current settings can be formalized as special cases of this mechanism. Second, we give tight results for the approximation ratio of SP mechanisms with respect to the objective of minimizing the sum of squares of distances to the agents (\emph{miniSOS}). Holzman \cite{Holzman1990} provided an axiomatic foundation for this function, showing that it is the unique function that satisfies unanimity, continuity and invariance. We devise a randomized mechanism that gives a 1.5-approximation for the miniSOS function, and show that no other randomized SP mechanism can provide a better approximation. This mechanism chooses the average location with probability 1/2 and a \emph{random dictator} with probability 1/2. For deterministic mechanisms, we show that the median mechanism provides a 2-approximation, and this is tight. Together, our study provides fundamental understanding of the miniSOS objective function and makes a step toward the characterization of randomized SP facility location mechanisms.

연구 동기 및 목표

• 나무 네트워크에 적용 가능한 단일 일반 프레임워크로 기존의 결정론적 및 랜덤화된 전략적 증명 가능 메커니즘을 통합하는 것.
• 나무 네트워크에서 mini-Sum-of-Squares (miniSOS) 목적 함수에 대해 전략적 증명 가능 메커니즘이 달성할 수 있는 근사 비율을 규명하는 것.
• miniSOS 목적 함수에 대해 결정론적 메커니즘과 랜덤화된 메커니즘 간의 근사 성능 차이를 설정하는 것.
• 직선 및 일반적인 나무 네트워크에서 랜덤화된 전략적 증명 가능 메커니즘의 근사 비율에 대해 엄밀한 상한과 하한을 제공하는 것.

제안 방법

• 나무 네트워크의 노드 집합에 대한 분포를 매개변수로 하는 일반적인 랜덤화된 전략적 증명 가능 메커니즘 가족을 제안하며, 진술이 우월 전략이 되도록 보장한다.
• miniSOS 목적 함수에 대해 시설 배치를 전략적으로 랜덤화하여 기대 제곱 거리의 합을 최소화함으로써 메커니즘을 적용한다.
• 최적 위치에 루트를 둔 에이전트를 기반으로 한 부분수형 분해와 평균화 기반의 새로운 분석 기법을 사용하여 근사 비율을 경계한다.
• 대칭성과 miniSOS 함수의 볼록성 성질을 활용하여 선형 네트워크 사례로의 감소를 통해 엄밀한 경계를 유도한다.
• 랜덤화된 전략적 증명 가능 메커니즘이 직선에서 1.5-근사값 이하를 달성할 수 없다는 분포적 추론을 통해 하한을 증명한다.
• 나무를 분해하고 각 부분수형이 전체 miniSOS 값에 기여하는 방식을 분석하여 일반적인 나무 네트워크로 분석을 확장한다.

실험 결과

연구 질문

• RQ1 나무 네트워크에서 기존에 제안된 모든 메커니즘을 포함하는 단일 통합된 랜덤화된 전략적 증명 가능 메커니즘 가족을 설계할 수 있는가?
• RQ2 직선에서 miniSOS 목적 함수에 대해 랜덤화된 전략적 증명 가능 메커니즘이 달성할 수 있는 최선의 근사 비율은 무엇인가?
• RQ3 일반적인 나무 네트워크에서 miniSOS 목적 함수에 대해 랜덤화된 전략적 증명 가능 메커니즘이 달성할 수 있는 최선의 근사 비율은 무엇인가?
• RQ4 랜덤화된 메커니즘의 근사 성능이 결정론적 메커니즘과 비교해 어떻게 다른가?
• RQ5 랜덤화된 전략적 증명 가능 메커니즘의 miniSOS 목적 함수에 대한 근사 비율에 대해 엄밀한 하한을 설정할 수 있는가?

주요 결과

• 제안된 메커니즘 가족은 나무에서의 모든 알려진 결정론적 및 랜덤화된 전략적 증명 가능 메커니즘을 통합하며, 일반적인 프레임워크를 제공한다.
• 직선에서의 miniSOS 목적 함수에 대해 메커니즘은 1.5-근사값을 달성하며, 이는 최적이다—다른 어떤 랜덤화된 전략적 증명 가능 메커니즘도 더 나은 근사값을 달성할 수 없다.
• 일반적인 나무 네트워크에서 메커니즘은 miniSOS 목적 함수에 대해 1.83-근사값을 달성한다.
• 결정론적 전략적 증명 가능 메커니즘은 직선에서도 miniSOS 목적 함수를 2-근사값 이하로 근사할 수 없으며, 이는 결정론적 메커니즘과 랜덤화된 메커니즘 간의 엄격한 분리가 있음을 보여준다.
• 분석 결과, miniSOS 목적 함수는 minisum 또는 minimax 목적 함수보다 랜덤화를 통한 근사화에 더 적합하다는 것이 드러났다.
• 1.5-근사값 경계의 엄밀함은 분포적 하한 추론을 통해 증명되었으며, 이는 모든 랜덤화된 전략적 증명 가능 메커니즘이 최소한 이 기대 비용을 지녀야 한다는 것을 보여준다.