[论文解读] Stable Matching: Choosing Which Proposals to Make

Ishan Agarwal, Richard Cole|arXiv (Cornell University)|Apr 8, 2022

Game Theory and Voting Systems被引用 1

一句话总结

本文研究在相关基数效用下的稳定匹配，表明在大市场中，几乎所有代理在所有稳定匹配下获得的效用几乎相同。它识别出长度为 O(log n) 的简短偏好列表，其中包含所有稳定匹配，从而通过初始通信阶段实现高效的提议选择，并建立了每个代理提议数量较少的 ϵ-Bayes-Nash 均衡。

ABSTRACT

To guarantee all agents are matched in general, the classic Deferred Acceptance algorithm needs complete preference lists. In practice, preference lists are short, yet stable matching still works well. This raises two questions: - Why does it work well? - Which proposals should agents include in their preference lists? We study these questions in a model, introduced by Lee [Lee, 2016], with preferences based on correlated cardinal utilities: these utilities are based on common public ratings of each agent together with individual private adjustments. Lee showed that for suitable utility functions, in large markets, with high probability, for most agents, all stable matchings yield similar valued utilities. By means of a new analysis, we strengthen Lee’s result, showing that in large markets, with high probability, for all but the agents with the lowest public ratings, all stable matchings yield similar valued utilities. We can then deduce that for all but the agents with the lowest public ratings, each agent has an easily identified length O(log n) preference list that includes all of its stable matches, addressing the second question above. We note that this identification uses an initial communication phase. We extend these results to settings where the two sides have unequal numbers of agents, to many-to-one settings, e.g. employers and workers, and we also show the existence of an ε-Bayes-Nash equilibrium in which every agent makes relatively few proposals. These results all rely on a new technique for sidestepping the conditioning between the tentative matching events that occur over the course of a run of the Deferred Acceptance algorithm. We complement these theoretical results with an experimental study.

研究动机与目标

• 为了理解为何在实践中稳定匹配在偏好列表较短时表现良好，尽管理论假设要求使用完整列表。
• 确定代理应在偏好列表中包含哪些提议，以确保涵盖所有稳定匹配。
• 将效用集中和稳定匹配效率的结果扩展至不等规模市场和多对一圈设置。
• 建立 ϵ-Bayes-Nash 均衡的存在性，其中每个代理仅提出少量提议，同时保持接近最优结果。
• 开发一种新颖的分析技术，避免在延迟接受算法中对临时匹配事件进行条件依赖。

提出的方法

• 采用李的 correlated cardinal utilities 模型，其中代理的效用基于公开评分和私人调整。
• 应用一种新的分析框架，以绕过延迟接受算法中临时匹配事件之间的依赖关系。
• 引入两阶段方法：初始通信阶段用于识别可接受的边，随后使用截断偏好列表进行 DA 算法。
• 使用集中不等式和尾部概率界限，控制多个引理和事件中的失败概率。
• 基于公开评分和效用方差，推导出可接受边集的边界。
• 通过在 n = 1,000 的一对一和多对一圈匹配设置中进行大量数值模拟，验证理论发现。

实验结果

研究问题

• RQ1 为何稳定匹配在实践中尽管偏好列表较短仍表现良好？
• RQ2 代理应在偏好列表中包含哪些特定提议，以确保涵盖所有稳定匹配？
• RQ3 在相关效用下，大市场中稳定匹配之间的效用分布行为如何？
• RQ4 能否实现一个 ϵ-Bayes-Nash 均衡，使得代理仅提出 O(log n) 个提议，同时保持接近最优效用？
• RQ5 结果如何推广至非对称市场和多对一圈匹配（如雇主与工人）？

主要发现

• 在大市场中，除公共评分最低的代理外，几乎所有代理在所有稳定匹配下的效用差异在高概率下不超过 O(ln n / n^{1/3})。
• 除公共评分最低的分数外，每个代理均可通过初始通信阶段识别出长度为 O(log n) 的偏好列表，其中包含其所有稳定匹配。
• 分析的失败概率被限制在 O(n^{-(c+1)})，对大 n 而言约为 O(n^{-c})，确保高概率保证。
• 存在一个 ϵ-Bayes-Nash 均衡，其中每个代理仅提出 O(log n) 个提议，且 ϵ = Θ(ln n / n^{1/3})，确保偏离动机极小。
• 每个代理的可接受边数量最多为 Θ(ln² n)，对于处于底部 Θ((ln n / n)^{1/3}) 分数之外的代理，可进一步降低至 Θ(ln n)。
• n = 1,000 的数值模拟结果表明，可接受边集保持较小，且稳定匹配伙伴的唯一性较高，尤其对公共评分较高的代理而言。