[논문 리뷰] Well-Supported versus Approximate Nash Equilibria: Query Complexity of Large Games

Xi Chen, Yu Cheng외 1명|arXiv (Cornell University)|2015. 11. 03.

Complexity and Algorithms in Graphs참고 문헌 30인용 수 11

한 줄 요약

이 논문은 큰 이진행동 게임에서 $\epsilon$-근사 내쉬 균형(ANE)을 계산하는 데 필요한 랜덤화된 쿼리 복잡도에 대해 거의 날것 같은 하한을 확립한다. 이는 어떤 알고리즘도 $2^{\Omega(n/\log n)}$개의 지ay 쿼리를 요구함을 보여주며, 이는 어떤 상수 $\epsilon > 0$에 대해 성립한다. 주요 기여는 근사 품질을 유지하는 동시에 잘 지원되는 내쉬 균형(WSNE)에서 ANE로의 새로운 감소를 제공함으로써, $\epsilon = O(1/n)$ 범위를 초월한 ANE의 복잡도에 대한 열린 문제를 해결한다.

ABSTRACT

We study the randomized query complexity of approximate Nash equilibria (ANE) in large games. We prove that, for some constant $ε>0$, any randomized oracle algorithm that computes an $ε$-ANE in a binary-action, $n$-player game must make $2^{Ω(n/\log n)}$ payoff queries. For the stronger solution concept of well-supported Nash equilibria (WSNE), Babichenko previously gave an exponential $2^{Ω(n)}$ lower bound for the randomized query complexity of $ε$-WSNE, for some constant $ε>0$; the same lower bound was shown to hold for $ε$-ANE, but only when $ε=O(1/n)$. Our result answers an open problem posed by Hart and Nisan and Babichenko and is very close to the trivial upper bound of $2^n$. Our proof relies on a generic reduction from the problem of finding an $ε$-WSNE to the problem of finding an $ε/(4α)$-ANE, in large games with $α$ actions, which might be of independent interest.

연구 동기 및 목표

• 상수 $\epsilon > 0$에 대해 Hart와 Nisan(2013) 및 Babichenko(2014)가 제기한 근사 내쉬 균형(ANE)의 랜덤화된 쿼리 복잡도에 대한 열린 문제를 해결하기 위해.
• 잘 지원되는 내쉬 균형(WSNE)에 대해 알려진 $2^{\Omega(n)}$ 하한과 $\epsilon = O(1/n)$일 때만 성립하는 ANE에 대한 더 약한 $2^{\Omega(n)}$ 하한 사이의 격차를 메우기 위해.
• 행동 수가 유한한 큰 게임에서 WSNE에서 ANE로의 일반적인 감소를 확립하여 하한 전이를 가능하게 하기 위해.

제안 방법

• 각 플레이어가 $\alpha$개의 행동을 가지는 큰 게임에서 $\epsilon$-WSNE를 찾는 문제에서 $\epsilon/(4\alpha)$-ANE를 찾는 문제로의 일반적인 감소를 도입한다.
• 기존 게임의 각 플레이어를 $s = 2\alpha^2 \cdot \lceil \ln(n/\epsilon) \rceil$명의 플레이어로 대체하여 보상 집계를 다수결 투표 방식으로 시뮬레이션하는 새로운 게임 $\mathcal{G}'$를 구성한다.
• 결합 및 농도 경계(Hoeffding의 부등식)를 사용하여, 만약 전략 프로파일 $\boldsymbol{x}$가 $\mathcal{G}'$에서 $\epsilon$-ANE이면, 이에 의해 유도된 전략 $\boldsymbol{y}$는 $\mathcal{G}$에서 $4\alpha\epsilon$-WSNE가 되며, 높은 확률로 성립함을 보인다.
• Babichenko의 $\epsilon$-WSNE에 대한 $2^{\Omega(n)}$ 하한을 활용하여 원래 게임에서 $\epsilon$-ANE에 대한 하한을 유도하며, 각 플레이어가 $O(\log n)$명의 플레이어로 시뮬레이션됨에 따라 인플레이션 요인을 고려한다.
• 감소를 적용하여, 어떤 랜덤화 알고리즘도 상수 $\epsilon > 0$에 대해 $n$-플레이어 이진행동 게임에서 $\epsilon$-ANE를 계산하기 위해 $2^{\Omega(n/\log n)}$개의 쿼리를 수행해야 한다는 것을 보여준다.

실험 결과

연구 질문

• RQ1 상수 $\epsilon > 0$에 대해 큰 이진행동 게임에서 $\epsilon$-근사 내쉬 균형(ANE)을 계산하는 데 필요한 랜덤화된 쿼리 복잡도는 무엇인가?
• RQ2 잘 지원되는 내쉬 균형(WSNE)에 대해 알려진 $2^{\Omega(n)}$ 하한은 $\epsilon = O(1/n)$ 범위를 초월하여 근사 내쉬 균형(ANE)으로 확장될 수 있는가?
• RQ3 근사 품질을 유지하면서 WSNE에서 ANE로의 일반적인 감소가 존재하는가? 이는 쿼리 복잡도 하한 전이를 가능하게 하는가?

주요 결과

• 논문은 어떤 상수 $\epsilon > 0$에 대해서도 $n$-플레이어 이진행동 게임에서 $\epsilon$-ANE를 계산하는 데 필요한 랜덤화된 쿼리 복잡도에 대해 $2^{\Omega(n/\log n)}$ 하한을 증명하며, Hart와 Nisan(2013) 및 Babichenko(2014)가 제기한 열린 문제를 해결한다.
• 행동 수가 $\alpha$인 게임에서 $\epsilon$-WSNE에서 $\epsilon/(4\alpha)$-ANE로의 감소는 쿼리 효율적이며 근사 품질을 유지함을 보이며, 하한 전이가 가능하다.
• 보상 집계를 다수결 투표 방식으로 시뮬레이션하기 위해 각 원래 플레이어당 $s = 2\alpha^2 \cdot \lceil \ln(n/\epsilon) \rceil$명의 플레이어를 사용하는 구성은 측도 집중을 보장한다.
• 새로운 게임 $\mathcal{G}'$에서 $\epsilon$-ANE인 전략 프로파일 $\boldsymbol{x}$로부터 유도된 전략 $\boldsymbol{y}$는 원래 게임 $\mathcal{G}$에서 $4\alpha\epsilon$-WSNE임을 높은 확률로 보여준다.
• 이 감소 프레임워크에서 $\log n$ 요소는 피할 수 없으며, 각 플레이어가 $O(\log n)$명의 플레이어로 시뮬레이션되기 때문이다. 이는 더 효율적인 시뮬레이션이 존재하는지 여부는 여전히 열려있다.