[论文解读] Bayesian Incentive Compatibility via Fractional Assignments

Xiaohui Bei, Zhiyi Huang|arXiv (Cornell University)|May 24, 2010

Auction Theory and Applications被引用 4

一句话总结

本文提出了一种黑箱归约方法，可将任意多参数机制设计算法转化为一个仅造成社会福利小幅、加法性损失的 $\epsilon$-贝叶斯激励相容（BIC）机制。该方法通过分数分配和中间估值操作，确保在已知先验下期望意义上的真实性，实现了对具有次可加性和分数次可加性代理人的组合拍卖的常数因子近似。

ABSTRACT

Very recently, Hartline and Lucier studied single-parameter mechanism design problems in the Bayesian setting. They proposed a black-box reduction that converted Bayesian approximation algorithms into Bayesian-Incentive-Compatible (BIC) mechanisms while preserving social welfare. It remains a major open question if one can find similar reduction in the more important multi-parameter setting. In this paper, we give positive answer to this question when the prior distribution has finite and small support. We propose a black-box reduction for designing BIC multi-parameter mechanisms. The reduction converts any algorithm into an eps-BIC mechanism with only marginal loss in social welfare. As a result, for combinatorial auctions with sub-additive agents we get an eps-BIC mechanism that achieves constant approximation.

研究动机与目标

• 解决在具有性能保证的多参数贝叶斯机制设计中设计真实机制的开放问题。
• 将 Hartline 和 Lucier 的单参数 BIC 归约方法扩展到更复杂的多参数设置。
• 在具有次可加性和分数次可加性代理人的组合拍卖中，实现社会福利的常数因子近似。
• 在保持接近最优社会福利的同时，确保机制为 $\epsilon$-BIC。
• 通过核心归约的变体，为收入和剩余盈余等目标提供一个通用框架。

提出的方法

• 使用黑箱归约，将报告的估值与原始算法 $\mathcal{A}$ 的输入估值解耦。
• 引入中间算法 $\mathcal{B}_1, \dots, \mathcal{B}_n$，在将估值输入 $\mathcal{A}$ 之前对其进行操作。
• 使用线性规划（LP）计算在具有有限支撑的贝叶斯先验下最大化社会福利的分数分配。
• 应用 Feige（2006）的舍入技术，将分数解转换为近似损失有界的整数分配。
• 利用集中不等式和方差分析估计分配的期望值，以通过价格设计确保 BIC。
• 使用过滤步骤去除低概率分配，从而保留至少 $(1 - \epsilon)$ 的最优 LP 值。

实验结果

研究问题

• RQ1 能否构建一种黑箱归约，将任意算法转换为多参数贝叶斯设置下的 $\epsilon$-BIC 机制？
• RQ2 在多参数问题中实现 $\epsilon$-贝叶斯激励相容时，社会福利的最小损失是多少？
• RQ3 此类归约能否实现对具有次可加性代理人的组合拍卖的常数因子近似？
• RQ4 如何高效估计代理估值的方差和期望，以支持 BIC 定价？
• RQ5 该归约是否可扩展至社会福利以外的目标，如收入或剩余盈余？

主要发现

• 该归约实现了社会福利至少为 $SW^{\mathcal{A}} - \epsilon$ 的 $\epsilon$-BIC 机制，保留了接近最优的性能。
• 对于具有次可加性代理人的组合拍卖，该机制实现了对最优社会福利的 $\left(\frac{1}{2} - \epsilon\right)$-近似。
• 对于具有分数次可加性代理人的组合拍卖，该机制实现了对最优社会福利的 $\left(1 - \frac{1}{e} - \epsilon\right)$-近似。
• 该算法在输入大小和 $1/\epsilon$ 上为多项式时间，具有计算高效性。
• 该方法确保在先验和机制随机性下，诚实报告是期望意义上的均衡策略。
• 关键技术洞见是估值估计的方差被限制在 $\sqrt{4nm\ell / \epsilon}$ 以内，从而支持 BIC 定价的精确估值。