[论文解读] Maximizing Welfare with Incentive-Aware Evaluation Mechanisms

Nika Haghtalab, Nicole Immorlica+2 more|arXiv (Cornell University)|Nov 3, 2020

Auction Theory and Applications参考文献 23被引用 11

一句话总结

本文提出了激励感知的评估机制，通过在可观测特征上战略性地设计评分规则，以最大化社会福利，激励个体以成本改善其真实质量。研究表明，对于线性质量函数和线性阈值，最优机制可通过投影或近似算法计算，在平滑分布下具有 (1/4) 近似保证。

ABSTRACT

Motivated by applications such as college admission and insurance rate determination, we propose an evaluation problem where the inputs are controlled by strategic individuals who can modify their features at a cost. A learner can only partially observe the features, and aims to classify individuals with respect to a quality score. The goal is to design an evaluation mechanism that maximizes the overall quality score, i.e., welfare, in the population, taking any strategic updating into account. We further study the algorithmic aspect of finding the welfare maximizing evaluation mechanism under two specific settings in our model. When scores are linear and mechanisms use linear scoring rules on the observable features, we show that the optimal evaluation mechanism is an appropriate projection of the quality score. When mechanisms must use linear thresholds, we design a polynomial time algorithm with a (1/4)-approximation guarantee when the underlying feature distribution is sufficiently smooth and admits an oracle for finding dense regions. We extend our results to settings where the prior distribution is unknown and must be learned from samples.

研究动机与目标

• 设计评估机制以通过激励个体通过战略性地更新特征来提升其真实质量，从而最大化整体人群福利。
• 解决仅部分特征可观测，且个体可支付成本改变这些特征以获得更高评分的挑战。
• 开发算法方法，用于在真实质量函数为线性、且采用线性阈值机制时，寻找福利最大化的机制。
• 在真实质量函数未知时，提供从数据中学习最优机制的样本复杂度保证。
• 通过从样本中学习机制，将结果扩展到真实先验未知的场景。

提出的方法

• 提出一个模型，其中个体具有隐藏的质量得分和可观测特征，可战略性地以成本修改特征以提高其观测得分。
• 对于线性质量函数，推导出最优机制是真实质量函数在可观测特征子空间上的投影。
• 对于线性阈值机制，将福利最大化问题形式化为在投影特征空间中检测密集区域的任务。
• 提出一种多项式时间近似算法，在特征分布足够平滑且可访问密集区域预言机的条件下，具有 (1/4) 近似保证。
• 使用伪维数和VC维分析，界定学习近似最优机制的样本复杂度。
• 采用经验风险最小化方法，结合收益函数和密度函数，从样本中估计机制性能。

实验结果

研究问题

• RQ1 当个体战略性地改进其特征以获得更高评分时，应如何设计评估机制以最大化整体人群福利？
• RQ2 当真实质量函数为线性，且仅可观测到特征的低维投影时，最优机制是什么？
• RQ3 当特征分布平滑且可识别密集区域时，如何计算福利最大化的线性阈值机制？
• RQ4 当真实质量函数未知时，从数据中学习近似最优机制需要多大的样本复杂度？
• RQ5 不同的成本函数（例如 L1 与 L2）如何影响激励感知评估机制的设计与性能？

主要发现

• 当真实质量函数为线性，且机制为可观测特征上的线性函数时，最优机制是真实质量函数在可观测子空间上的正交投影。
• 对于线性阈值机制，当特征分布足够平滑且可访问密集区域预言机时，存在一种多项式时间 (1/4) 近似算法。
• 在 0-1 阈值类中，学习近似最优机制的样本复杂度被界定为 O((rank(P) + ln(1/δ)) / (c²ε²))，确保以高概率收敛至近似最优性能。
• 证明了阈值机制的收益函数具有伪维数 O(rank(P))，从而可通过统计学习理论获得泛化界。
• 近似算法中使用的密度函数具有 VC 维 O(rank(P))，支持使用经验风险最小化并获得泛化保证。
• 该框架支持在真实质量映射未知时，从样本中学习机制，方法为利用可观测特征投影和激励后的真实质量结果。