[论文解读] Automated Dynamic Mechanism Design

Hanrui Zhang, Vincent Conitzer|arXiv (Cornell University)|May 13, 2021

Auction Theory and Applications参考文献 48被引用 4

一句话总结

本文提出了一种基于线性规划的高效算法，用于在具有策略性代理人的非结构化环境中计算最优动态机制，表明当时间范围为常数时，最优机制可被高效计算。关键贡献是一个计算上可行的框架，能够处理任意估值、状态转移和个体理性约束，同时表明无记忆机制次优，且性能在很大程度上取决于代理人的耐心程度和偏好相关性。

ABSTRACT

We study Bayesian automated mechanism design in unstructured dynamic environments, where a principal repeatedly interacts with an agent, and takes actions based on the strategic agent's report of the current state of the world. Both the principal and the agent can have arbitrary and potentially different valuations for the actions taken, possibly also depending on the actual state of the world. Moreover, at any time, the state of the world may evolve arbitrarily depending on the action taken by the principal. The goal is to compute an optimal mechanism which maximizes the principal's utility in the face of the self-interested strategic agent. We give an efficient algorithm for computing optimal mechanisms, with or without payments, under different individual-rationality constraints, when the time horizon is constant. Our algorithm is based on a sophisticated linear program formulation, which can be customized in various ways to accommodate richer constraints. For environments with large time horizons, we show that the principal's optimal utility is hard to approximate within a certain constant factor, complementing our algorithmic result. We further consider a special case of the problem where the agent is myopic, and give a refined efficient algorithm whose time complexity scales linearly in the time horizon. Moreover, we show that memoryless mechanisms do not provide a good solution for our problem, in terms of both optimality and computational tractability. These results paint a relatively complete picture for automated dynamic mechanism design in unstructured environments. Finally, we present experimental results where our algorithms are applied to synthetic dynamic environments with different characteristics, which not only serve as a proof of concept for our algorithms, but also exhibit intriguing phenomena in dynamic mechanism design.

研究动机与目标

• 解决在主参与者与代理人均具有任意且可能不一致估值的动态非结构化环境中设计最优机制的挑战。
• 开发一种计算高效的算法，用于在各种个体理性约束下计算最优机制，无论是否存在货币转移。
• 分析在长时域设置下最优机制设计的计算难度，特别是面对耐心代理时的情况。
• 评估在具有策略性行为的动态环境中，无记忆机制的最优性与可计算性。
• 通过实证方法展示在不同代理类型和偏好相关性下，朴素机制与最优机制之间的性能差距。

提出的方法

• 将动态机制设计问题形式化为一个复杂的线性规划，以捕捉状态转移、代理激励和估值依赖性。
• 定制线性规划以纳入不同的个体理性约束和支付结构。
• 证明当时间范围为常数时，可通过线性规划形式化在多项式时间内计算最优机制。
• 表明当时间范围较长且代理人为耐心时，主参与者最优效用无法在常数因子内近似，从而确立了计算难度的边界。
• 针对目光短浅代理人的特殊情况，提出一种优化的线性时间算法，其时间复杂度与时间范围呈线性关系。
• 在具有不同状态动态和偏好相关性的合成动态环境中，对算法进行实证评估。

实验结果

研究问题

• RQ1 在具有任意估值和状态转移的非结构化环境中，能否高效计算最优动态机制？
• RQ2 最优机制设计的计算复杂度如何随时间范围和代理人耐心程度而变化？
• RQ3 在动态环境中，无记忆机制相对于无约束最优机制的性能在多大程度上受限？
• RQ4 主参与者与代理人估值之间的相关性如何影响最优机制与朴素机制之间的性能差距？
• RQ5 在何种条件下，面对目光短浅的代理人相较于耐心的代理人，能为代理人带来更高的效用？

主要发现

• 当时间范围为常数时，通过定制的线性规划形式化，可在多项式时间内高效计算最优机制。
• 当时间范围较长且代理人为耐心时，主参与者最优效用无法在常数因子内近似，表明存在固有的计算不可解性。
• 对于目光短浅的代理人，优化算法实现与时间范围呈线性关系的时间复杂度，显著提升了可扩展性。
• 无记忆机制在最优性和计算可计算性方面均次优，甚至在具有策略性代理人的马尔可夫决策过程中也非最优。
• 在主参与者与代理人估值呈负相关（η = -1）的环境中，面对策略性代理人的最优机制可达到朴素基准的70%，而朴素机制则降至基准的20%，表明激励感知设计可带来显著收益。
• 随着环境复杂性的增加，最优机制与朴素机制之间的性能差距扩大，且最优机制在不同相关性水平下比朴素方法更稳定。