[论文解读] A Framework For Designing Information Elicitation Mechanisms That Reward Truth-telling.

Yuqing Kong, Grant Schoenebeck|arXiv (Cornell University)|May 3, 2016

Auction Theory and Applications参考文献 22被引用 9

一句话总结

本文提出了一种通用框架，用于设计信息收集机制，通过确保诚实报告是支付最高的纳什均衡，即使在不了解参与者共同先验的情况下也能激励诚实报告。该框架引入了单调函数——如 f-分歧、f-互信息和 f-信息增益——以衡量信息含量，并证明在各种情境下，诚实报告的收益高于非诚实均衡。

ABSTRACT

Information elicitation mechanisms, such as Peer Prediction [Miller 2005] and Bayesian Truth Serum [Prelec 2004], are designed to reward agents for honestly reporting their private information, even when this cannot be directly verified. Information elicitation mechanisms, such as these, are cleverly designed so that truth-telling is a strict Bayesian Nash Equilibrium. However, a key challenge that has arisen is that there are typically many other non-truthful equilibrium as well, and it is important that truth-telling not only be an equilibrium, but be paid more than other equilibrium so that agents do not coordinate on a non-informative equilibria. Several past works have overcome this challenge in various setting using clever techniques, but a new technique was required for each new setting. Our main contribution in this paper is providing a framework for designing elicitation mechanisms where truth-telling is the highest paid equilibrium, even when the mechanism does not know the common prior. We define monotone functions which can measure the amount of information contained in agents' reports such that the function is greater in the truthful equilibrium than in non-truthful equilibria. We provide several interesting monotone functions ( f -disagreement, f-mutual information, f -information gain) in different settings. Aided by these theoretical tools, we (1) extend Dasgupta and Ghosh[2013]'s mechanism to the non-binary setting with an additional assumption that agents are asked to answer a large number of a priori similar questions; (2) reprove the main results of Prelec[2004], Dasgupta and Ghosh[2013] and a weaker version of Kong and Schoenebeck[2016] in our framework. Our framework thus provides both new mechanisms and a deeper understanding of prior results.

研究动机与目标

• 为解决在信息收集机制中，尽管诚实报告是严格的贝叶斯纳什均衡，但通常并非支付最高的均衡这一挑战。
• 设计一个统一框架，确保诚实报告在不依赖于参与者共同先验知识的情况下，优于其他均衡。
• 将先前机制推广至非二元情境，并对现有结果提供更深入的理论理解。
• 开发用于量化报告中信息含量的单调函数，确保诚实报告的收益高于非诚实报告。

提出的方法

• 定义单调函数——f-分歧、f-互信息和 f-信息增益——以衡量参与者报告中的信息含量，并证明在诚实报告下这些度量值严格更高。
• 利用这些单调函数构建机制，使得诚实报告的期望收益高于任何非诚实均衡。
• 在假设存在大量事先相似问题的前提下，将 Dasgupta 和 Ghosh（2013）的机制扩展至非二元情境。
• 在所提出的框架内重新证明 Prelec（2004）、Dasgupta 和 Ghosh（2013）以及 Kong 和 Schoenebeck（2016）的较弱版本的关键结果。
• 建立理论条件，证明即使在未知共同先验的情况下，诚实报告不仅是均衡，而且是收益最高的均衡。
• 利用信息度量的单调性，确保机制在不同信息结构和参与者信念下具有鲁棒性。

实验结果

研究问题

• RQ1 如何设计信息收集机制，使得诚实报告不仅是均衡，而且是支付最高的均衡，即使在未知共同先验的情况下？
• RQ2 信息度量必须具备哪些数学性质，才能确保诚实报告优于非诚实均衡？
• RQ3 该框架能否用于将二元机制扩展至非二元情境，前提是问题重复足够多次？
• RQ4 所提出的单调函数（f-分歧、f-互信息、f-信息增益）在区分诚实报告与非诚实报告方面的能力如何比较？
• RQ5 像贝叶斯真相之 Serum 和同伴预测这样的现有机制，能否通过此统一理论框架重新解释并重新证明？

主要发现

• 该框架通过构造在诚实报告下赋予更高信息含量的单调函数，成功确保诚实报告是支付最高的均衡。
• 所提出的单调函数——f-分歧、f-互信息和 f-信息增益——在不同情境下均有效，可用于设计奖励诚实的机制。
• 该框架使得 Dasgupta 和 Ghosh（2013）的机制在假设存在大量相似问题的前提下，可被扩展至非二元情境。
• 在所提出的框架内，重新证明了 Prelec（2004）、Dasgupta 和 Ghosh（2013）以及 Kong 和 Schoenebeck（2016）的较弱版本的关键结果，提供了新的理论洞见。
• 该框架为设计机制提供了一般性方法，确保诚实报告在共同先验未知时，也优于非信息性均衡。
• 使用信息度量的单调性可确保偏离诚实不会带来更高收益，从而防止参与者协调至非诚实均衡。