[論文レビュー] A New Lower Bound for the Random Offerer Mechanism in Bilateral Trade using AI-Guided Evolutionary Search

Yang Cai, Vineet Gupta+2 more|arXiv (Cornell University)|Mar 9, 2026

Auction Theory and Applications被引用数 0

ひとこと要約

この論文はAI主導の進化的探索（AlphaEvolve）を用いて、新たな最悪ケース分布ペアを発見し、Random Offerer（RO）メカニズムの最悪ケース近似比のより厳密な下限を確立し、1st-best gains from tradeに対して2.0749を達成します。

ABSTRACT

The celebrated Myerson--Satterthwaite theorem shows that in bilateral trade, no mechanism can be simultaneously fully efficient, Bayesian incentive compatible (BIC), and budget balanced (BB). This naturally raises the question of how closely the gains from trade (GFT) achievable by a BIC and BB mechanism can approximate the first-best (fully efficient) benchmark. The optimal BIC and BB mechanism is typically complex and highly distribution-dependent, making it difficult to characterize directly. Consequently, much of the literature analyzes simpler mechanisms such as the Random-Offerer (RO) mechanism and establishes constant-factor guarantees relative to the first-best GFT. An important open question concerns the worst-case performance of the RO mechanism relative to first-best (FB) efficiency. While it was originally hypothesized that the approximation ratio $\frac{ ext{GFT}_{ ext{FB}}}{ ext{GFT}_{ ext{RO}}}$ is bounded by $2$, recent work provided counterexamples to this conjecture: Cai et al. proved that the ratio can be strictly larger than $2$, and Babaioff et al. exhibited an explicit example with ratio approximately $2.02$. In this work, we employ AlphaEvolve, an AI-guided evolutionary search framework, to explore the space of value distributions. We identify a new worst-case instance that yields an improved lower bound of $\frac{ ext{GFT}_{ ext{FB}}}{ ext{GFT}_{ ext{RO}}} \ge extbf{2.0749}$. This establishes a new lower bound on the worst-case performance of the Random-Offerer mechanism, demonstrating a wider efficiency gap than previously known.

研究の動機と目的

• ROおよびBB/BICメカニズムが二者間取引における第一ベストのGFTにどれだけ近づけるかを動機づける。
• ROの効率ギャップを最大化する最悪ケースの買い手-売り手価値分布を特定する。
• AI主導の進化を活用してGFTギャップを最大化する新規分布構造を発見する。
• 離散化された分布に基づくGFTを厳密に計算して下限を検証する。
• AI駆動のプログラム合成が直感に反する機構設計結果を示す可能性を示す。

提案手法

• 分布 (F_s, F_b) の比をFirst-Best GFT to RO GFT の最大化として問題を定式化する。
• 買い手分布をDiscrete Equal Revenueに固定し、売り手分布 F_s を AlphaEvolve で進化させる。"
• 売り手のCDFを、振幅調整されたべき乗則の混合として正弦波指数モジュレーションで表現する。
• 領域を H = 20,000 に離散化し、高精度で整数算術を用いてGFTを厳密に計算する。
• 浮動小数点誤差を避け、正確なGFT計算を保証するためにPMFを ε = 1e-15 の整数倍に丸める。
• 得られた最悪ケース比と対応するGFT成分を報告する。

Figure 1: Seller’s distribution as found by AlphaEvolve

実験結果

リサーチクエスチョン

• RQ1 分布の買い手コストと売り手価値の組み合わせに対して、最悪ケースの近似比 ρ = GFT_FB / GFT_RO はいくらか？
• RQ2 AI主導の進化的探索は、従来知られていたより大きなGFTギャップを生む売り手分布を発見できるか？
• RQ3 固定の買い手分布の下でROの非効率性を最大化する売り手分布の構造は何か？
• RQ4 発見された分布はSeller-OfferingとBuyer-OfferingのGFT成分の相対寄与にどう影響するか？
• RQ5 新しい下限の2.0749は離散化と厳密計算の下で頑健か？

主な発見

• ROメカニズムに対して新しい最悪-case近似比2.0749を達成。
• 固定買い手分布（Discrete Equal Revenue）と新規進化売り手分布の組み合わせを構成として使用。
• 売り手分布は振幅調整されたべき乗則の混合で、指数に正弦波モジュレーションを含む。
• GFT_FB ≈ 1.2322, GFT_SO ≈ 0.3312, GFT_BO ≈ 0.8565, GFT_RO ≈ 0.5939。
• これにより ρ = GFT_FB / GFT_RO ≈ 2.0749 が得られ、以前の下限近くの2.02を上回る。
• 進化した売り手分布は、振幅パラメータ a1_amp = 0.05 および周波数 a1_freq = 2.0 を使用する。