[论文解读] A New Lower Bound for the Random Offerer Mechanism in Bilateral Trade using AI-Guided Evolutionary Search

Yang Cai, Vineet Gupta+2 more|arXiv (Cornell University)|Mar 9, 2026

Auction Theory and Applications被引用 0

一句话总结

该论文通过 AI 指导的进化搜索（AlphaEvolve）发现了一组新的最坏情况分布对，建立了对 Random Offerer（RO）机制最坏情况近似比的更紧下界，相对于第一最优的贸易收益（GFT）达到 2.0749。

ABSTRACT

The celebrated Myerson--Satterthwaite theorem shows that in bilateral trade, no mechanism can be simultaneously fully efficient, Bayesian incentive compatible (BIC), and budget balanced (BB). This naturally raises the question of how closely the gains from trade (GFT) achievable by a BIC and BB mechanism can approximate the first-best (fully efficient) benchmark. The optimal BIC and BB mechanism is typically complex and highly distribution-dependent, making it difficult to characterize directly. Consequently, much of the literature analyzes simpler mechanisms such as the Random-Offerer (RO) mechanism and establishes constant-factor guarantees relative to the first-best GFT. An important open question concerns the worst-case performance of the RO mechanism relative to first-best (FB) efficiency. While it was originally hypothesized that the approximation ratio $\frac{ ext{GFT}_{ ext{FB}}}{ ext{GFT}_{ ext{RO}}}$ is bounded by $2$, recent work provided counterexamples to this conjecture: Cai et al. proved that the ratio can be strictly larger than $2$, and Babaioff et al. exhibited an explicit example with ratio approximately $2.02$. In this work, we employ AlphaEvolve, an AI-guided evolutionary search framework, to explore the space of value distributions. We identify a new worst-case instance that yields an improved lower bound of $\frac{ ext{GFT}_{ ext{FB}}}{ ext{GFT}_{ ext{RO}}} \ge extbf{2.0749}$. This establishes a new lower bound on the worst-case performance of the Random-Offerer mechanism, demonstrating a wider efficiency gap than previously known.

研究动机与目标

• 研究动机： RO 与 BB/BIC 机制在双边贸易中对第一最佳贸易收益的近似程度有多接近。
• 识别最大化 RO 效率差的最坏情况买家-卖家价值分布。
• 利用AI 指引的进化发现最大化 GFT 差距的新的分布结构。
• 对离散化分布下的 GFT 进行严格、精确计算以证明下界。
• 展示AI驱动的程序合成在揭示非直观机制设计结果方面的潜力。

提出的方法

• 将问题表述为在分布 (F_s, F_b) 上最大化 First-Best GFT 与 RO GFT 的比率。
• 将买家分布固定为 Discrete Equal Revenue，并利用 AlphaEvolve 演化卖家分布 F_s。
• 将卖家的 CDF 表示为带有正弦指数调制的调制幂律的混合。
• 将定义域离散化为 H = 20,000，并使用高精度整数运算精确计算 GFT。
• 将 PMF 四舍五入为 ε = 1e-15 的倍数，以避免浮点误差并确保 GFT 计算的精确性。
• 报告得到的最坏情况比率及相应的 GFT 成分。

Figure 1: Seller’s distribution as found by AlphaEvolve

实验结果

研究问题

• RQ1 在卖家成本和买家价值的分布下，最坏情况近似比 ρ = GFT_FB / GFT_RO 是多少？
• RQ2 AI 指导的进化搜索是否能发现比以往已知更大的 GFT 差距的卖家分布？
• RQ3 在固定买家分布下，最大化 RO 无效率的卖家分布结构是什么？
• RQ4 发现的分布如何影响 Seller-Offering 与 Buyer-Offering GFT 组件的相对贡献？
• RQ5 新的下界 2.0749 在离散化和精确计算下是否稳健？

主要发现

• 为 RO 机制实现了新的最坏情况近似比 2.0749。
• 该配置使用固定买家分布（Discrete Equal Revenue）配合新颖的进化卖家分布。
• 卖家分布是带正弦调制指数的调制幂律混合。
• GFT_FB ≈ 1.2322, GFT_SO ≈ 0.3312, GFT_BO ≈ 0.8565, GFT_RO ≈ 0.5939。
• 这使 ρ = GFT_FB / GFT_RO ≈ 2.0749，超越了近似 2.02 的先前下界。
• 进化的卖家分布采用 a1_amp = 0.05 和 a1_freq = 2.0 的正弦调制参数。