[論文レビュー] A Framework For Designing Information Elicitation Mechanisms That Reward Truth-telling.

Yuqing Kong, Grant Schoenebeck|arXiv (Cornell University)|May 3, 2016

Auction Theory and Applications参考文献 22被引用数 9

ひとこと要約

本稿では、参加者の共通事前分布を知らない状況下でも、真実を述べることが最も報酬の高い均衡となるようにする情報収集メカニズムの一般枠組みを提示する。真実の報告が常に最も高い報酬を得るという性質を保証するため、f-不一致、f-相互情報量、f-情報利得といった単調関数を導入し、報告内容に含まれる情報量を測定する。この枠組みにより、多様な設定下で真実報告が非真実報告の均衡よりも高い報酬を得ることを証明する。

ABSTRACT

Information elicitation mechanisms, such as Peer Prediction [Miller 2005] and Bayesian Truth Serum [Prelec 2004], are designed to reward agents for honestly reporting their private information, even when this cannot be directly verified. Information elicitation mechanisms, such as these, are cleverly designed so that truth-telling is a strict Bayesian Nash Equilibrium. However, a key challenge that has arisen is that there are typically many other non-truthful equilibrium as well, and it is important that truth-telling not only be an equilibrium, but be paid more than other equilibrium so that agents do not coordinate on a non-informative equilibria. Several past works have overcome this challenge in various setting using clever techniques, but a new technique was required for each new setting. Our main contribution in this paper is providing a framework for designing elicitation mechanisms where truth-telling is the highest paid equilibrium, even when the mechanism does not know the common prior. We define monotone functions which can measure the amount of information contained in agents' reports such that the function is greater in the truthful equilibrium than in non-truthful equilibria. We provide several interesting monotone functions ( f -disagreement, f-mutual information, f -information gain) in different settings. Aided by these theoretical tools, we (1) extend Dasgupta and Ghosh[2013]'s mechanism to the non-binary setting with an additional assumption that agents are asked to answer a large number of a priori similar questions; (2) reprove the main results of Prelec[2004], Dasgupta and Ghosh[2013] and a weaker version of Kong and Schoenebeck[2016] in our framework. Our framework thus provides both new mechanisms and a deeper understanding of prior results.

研究の動機と目的

• 真実報告が真に強いベイジアンナッシュ均衡であるものの、しばしば報酬が最も高い均衡とはならないという課題に対処すること。
• 参加者の共通事前分布を必要とせずに、真実報告が他の均衡を支配する統一的な枠組みを設計すること。
• 従来のメカニズムを二値設定を超えた非二値設定に一般化し、既存の結果に対する理論的洞察を深めること。
• 報告内容に含まれる情報量を定量化する単調関数を設計し、真実報告が非真実報告よりも高い報酬を得ることを保証すること。

提案手法

• 参加者の報告に含まれる情報量を測定する単調関数（f-不一致、f-相互情報量、f-情報利得）を定義し、真実報告の下でその値が厳密に高くなることを示す。
• これらの単調関数を用いて、真実報告が任意の非真実均衡よりも高い期待報酬を得るメカニズムを構築する。
• DasguptaとGhosh（2013）のメカニズムを、事前に類似した質問が多数存在するという仮定の下で非二値設定に拡張する。
• Prelec（2004）、DasguptaとGhosh（2013）、KongとSchoenebeck（2016）の弱い版の主要結果を、提案された枠組み内で再証明する。
• 共通事前分布が不明な状況下でも、真実報告が均衡であるだけでなく、最も利益の高い均衡であるという理論的条件を確立する。
• 情報測度の単調性を活用し、異なる情報構造や参加者の信念に対してもロバストな性質を保証する。

実験結果

リサーチクエスチョン

• RQ1 共通事前分布の知識がなくても、真実報告が均衡であるだけでなく、最も報酬の高い均衡となるような情報収集メカニズムはどのように設計できるか？
• RQ2 真実報告が非真実均衡を支配するように保証するためには、情報測度がどのような数学的性質を満たす必要があるか？
• RQ3 本フレームワークを用いて、二値メカニズムを十分に繰り返された質問の下で非二値設定に拡張できるか？
• RQ4 提案された単調関数（f-不一致、f-相互情報量、f-情報利得）は、真実報告と非真実報告をどれほど明確に区別できるか？
• RQ5 ベイジアン・トゥルース・サーヴィス や ピア・予測 といった既存のメカニズムを、統一的な理論枠組みで再解釈し、再証明できるか？

主な発見

• 単調関数を用いて真実報告の情報量が非真実報告よりも高くなるように構築することで、本フレームワークは真実報告が最も報酬の高い均衡であることを成功裏に保証する。
• 提案された単調関数（f-不一致、f-相互情報量、f-情報利得）は、多様な設定で有効であり、真実報告を報酬化するメカニズムの設計に利用可能である。
• 本フレームワークにより、DasguptaとGhosh（2013）のメカニズムを、類似した質問が多数存在するという仮定の下で非二値設定に拡張できる。
• Prelec（2004）、DasguptaとGhosh（2013）、KongとSchoenebeck（2016）の弱い版の主要結果が、提案されたフレームワーク内で再証明され、新たな理論的洞察が得られた。
• 共通事前分布が不明な状況下でも、真実報告が非情報的均衡を支配するようなメカニズムを設計する一般的手法を提供する。
• 情報測度の単調性を用いることで、真実から逸脱してもより高い報酬が得られないことが保証され、非真実均衡への協調が防止される。