[论文解读] Yankee Swap: a Fast and Simple Fair Allocation Mechanism for Matroid Rank Valuations

Vignesh Viswanathan, Yair Zick|arXiv (Cornell University)|Jun 17, 2022

Game Theory and Voting Systems被引用 5

一句话总结

本文提出了 Yankee Swap 算法，这是一种在拟阵秩估值（MRV）偏好下对不可分物品进行公平分配的简单且高效的方法。该算法采用一种带有抢夺权利的顺序选取机制，在远快于以往方法的时间内计算出洛伦兹占优、无 envy（ envy-free）且社会福利最大化的分配方案，当 m = Θ(n) 时，其时间复杂度相比之前的方法实现了 O(n^{13/2} log n) 的加速。

ABSTRACT

We study fair allocation of indivisible goods when agents have matroid rank valuations. Our main contribution is a simple algorithm based on the colloquial Yankee Swap procedure that computes provably fair and efficient Lorenz dominating allocations. While there exist polynomial time algorithms to compute such allocations, our proposed method improves on them in two ways. (a) Our approach is easy to understand and does not use complex matroid optimization algorithms as subroutines. (b) Our approach is scalable; it is provably faster than all known algorithms to compute Lorenz dominating allocations. These two properties are key to the adoption of algorithms in any real fair allocation setting; our contribution brings us one step closer to this goal.

研究动机与目标

• 解决在不可分物品的拟阵秩估值下，缺乏可扩展且易于理解的公平分配算法的问题。
• 克服现有算法依赖复杂拟阵优化子程序且计算复杂度过高的局限性。
• 开发一种既具备可证明公平性与效率，又易于非专家实现与理解的机制。
• 改进在拟阵秩估值下计算洛伦兹占优分配的最先进运行时间，尤其在大学课程分配等大规模场景中。
• 实现公平分配机制在实际应用中的可部署性，例如课程匹配系统。

提出的方法

• 提出一种名为 Yankee Swap 的新算法，灵感源自非正式的‘Yankee Swap’游戏，其中参与者根据偏好按顺序选取或抢夺物品。
• 通过为参与者设定优先级顺序来确定行动顺序，从而实现优先级排序的洛伦兹占优分配的计算。
• 允许参与者若更偏好未分配物品或优先级较低者持有的物品，则可从他人处抢夺物品，同时保持公平性与效率。
• 实施一种动态更新机制：若某参与者失去物品，则其必须选择一个未分配物品，或从优先级更低的参与者处抢夺物品，确保无参与者境况变差。
• 利用拟阵秩函数的组合结构，避免调用复杂的拟阵交集或秩预言机，从而降低计算开销。
• 证明该算法计算出的分配方案具有洛伦兹占优性、无 envy（EFX）性，并能同时最大化社会福利与纳什社会福利。

实验结果

研究问题

• RQ1 是否能通过一种简单直观的算法，在不依赖复杂拟阵优化子程序的前提下，实现拟阵秩估值下的可证明公平与高效分配？
• RQ2 在拟阵秩估值下计算洛伦兹占优分配的计算复杂度是多少？是否可显著降低？
• RQ3 Yankee Swap 在运行时间与可扩展性方面，与 Babaioff 等人（2021）提出的最先进算法相比表现如何？
• RQ4 基于顺序选取与抢夺的机制，是否能实现 EFX 等强公平性保障以及社会福利最大化？
• RQ5 在结构化估值下的公平分配中，组合洞察在多大程度上可替代复杂的算法工具？

主要发现

• Yankee Swap 在拟阵秩估值下计算优先级排序的洛伦兹占优分配的时间复杂度为 O(n²m³/²(m + τ)log(nm))，远快于 Babaioff 等人（2021）的 O(n⁶m⁷/²(m + τ)log(nm))。
• 当 m = Θ(n) 时，Yankee Swap 的最坏情况运行时间相比先前最先进方法提升了 O(n¹³/² log n) 的速度。
• 该算法实现了所有关键公平与效率属性：具有洛伦兹占优性、无 envy（EFX）性，并能同时最大化社会福利与纳什社会福利。
• Yankee Swap 不需要访问秩预言机或复杂的拟阵交集算法，因此对非专家用户而言更简单、更易用。
• 该方法可通过在参与者优先级上引入随机化，实现事前公平性保障，如事前无 envy 与比例公平性。
• 该算法仅需几行代码即可实现，展现出在大学课程分配等实际场景中部署的极高实用性与可扩展性。