[论文解读] From Convex Optimization to Randomized Mechanisms: Toward Optimal Combinatorial Auctions

Shaddin Dughmi, Tim Roughgarden+1 more|arXiv (Cornell University)|Feb 28, 2011

Auction Theory and Applications被引用 21

一句话总结

本文提出了一种新颖的期望 truthful 机制，用于具有拟阵秩和（MRS）估值的组合拍卖，利用一种随机舍入框架实现了最优福利的 $(1-1/e)$-近似。该机制并非优化舍入过程的输入，而是优化其输出，从而在保持多项式时间效率的同时确保 truthful 性，且匹配 NP-hard 福利最大化问题的最佳可能近似比。

ABSTRACT

We design an expected polynomial-time, truthful-in-expectation, (1-1/e)-approximation mechanism for welfare maximization in a fundamental class of combinatorial auctions. Our results apply to bidders with valuations that are m matroid rank sums (MRS), which encompass most concrete examples of submodular functions studied in this context, including coverage functions, matroid weighted-rank functions, and convex combinations thereof. Our approximation factor is the best possible, even for known and explicitly given coverage valuations, assuming P != NP. Ours is the first truthful-in-expectation and polynomial-time mechanism to achieve a constant-factor approximation for an NP-hard welfare maximization problem in combinatorial auctions with heterogeneous goods and restricted valuations. Our mechanism is an instantiation of a new framework for designing approximation mechanisms based on randomized rounding algorithms. A typical such algorithm first optimizes over a fractional relaxation of the original problem, and then randomly rounds the fractional solution to an integral one. With rare exceptions, such algorithms cannot be converted into truthful mechanisms. The high-level idea of our mechanism design framework is to optimize directly over the (random) output of the rounding algorithm, rather than over the input to the rounding algorithm. This approach leads to truthful-in-expectation mechanisms, and these mechanisms can be implemented efficiently when the corresponding objective function is concave. For bidders with MRS valuations, we give a novel randomized rounding algorithm that leads to both a concave objective function and a (1-1/e)-approximation of the optimal welfare.

研究动机与目标

• 设计一种计算高效的、针对具有异质商品和受限估值的组合拍卖中福利最大化的期望 truthful 机制。
• 为 NP-hard 问题实现常数因子近似，匹配在 $P \neq NP$ 条件下可能达到的最佳近似比。
• 克服标准随机舍入算法无法直接转化为 truthful 机制的局限性。
• 开发一种基于凸优化的、设计期望 truthful 近似机制的一般性框架。
• 证明当应用于 MRS 估值时，所提出的框架可产生一个凹目标函数，从而实现高效优化。

提出的方法

• 该机制基于一种新颖的随机舍入算法，首先求解福利最大化问题的分数松弛形式。
• 该框架并非优化分数解的输入，而是直接优化舍入算法输出分布。
• 采用泊松舍入方案根据分数变量随机分配物品，每个物品以概率 $1 - e^{-x_j}$ 独立包含在内。
• 当估值为拟阵秩和时，证明了期望福利是分数变量的凹函数，从而可实现高效最大化。
• 该框架利用 MRS 函数离散 Hessian 矩阵的负半定性，证明了期望福利函数的凹性。
• 该机制通过最大分布范围（MIDR）算法实现，该算法从最大化期望福利的分布中抽样，从而确保期望 truthful 性。

实验结果

研究问题

• RQ1 能否设计一种期望 truthful 机制，实现对具有 MRS 估值的组合拍卖中福利最大化的常数因子近似？
• RQ2 是否可能设计一种机制，实现 $(1-1/e)$-近似因子，该因子在 $P \neq NP$ 条件下对 NP-hard 实例为最优？
• RQ3 如何将通常不 truthful 的随机舍入算法改造为期望 truthful 机制？
• RQ4 能否使随机舍入方案的目标函数变为凹函数，以实现高效优化，同时保持 truthful 性？
• RQ5 MRS 估值的何种结构特性使得在泊松舍入下可构造出凹的期望福利函数？

主要发现

• 所提出的机制实现了对具有拟阵秩和估值的组合拍卖的最优福利的 $(1-1/e)$-近似。
• 该近似因子即使对显式给出的覆盖函数也是最优的，假设 $P \neq NP$。
• 当估值为 MRS 时，泊松舍入下的期望福利函数是凹函数，从而可通过凸优化实现高效最大化。
• 该机制为期望 truthful，因其使用最大分布范围（MIDR）算法，从最大化期望福利的分布中抽样。
• 该框架可推广至覆盖函数之外，包括拟阵加权秩函数及其凸组合。
• 凹性证明依赖于证明期望福利函数的 Hessian 矩阵是估值函数的负半定离散 Hessian 矩阵的非负加权和。