[论文解读] Budget-Constrained Contract Design for Effort-Averse Sensors in Averaging Based Estimation

Farhad Farokhi, Iman Shames+1 more|arXiv (Cornell University)|Sep 28, 2015

Auction Theory and Applications参考文献 12被引用 4

一句话总结

本文提出了一种面向基于平均值估计中努力规避型传感器的预算约束型合同设计，传感器战略性地选择努力水平以在成本与收益之间取得平衡。中央规划者采用基于测量值与平均值偏差的二次奖励合同，在最小预算下实现最优估计质量，通过确保均衡努力水平为占优策略。

ABSTRACT

Consider a group of effort-averse, or lazy, sensors that seek to minimize the effort invested to collect measurements of a variable. Increasing the effort invested by the sensors improves the quality of the measurements provided to the central planner but this incurs increased costs to the sensors. The central planner, which processes the sensor measurements, employs an averaging estimator. It also determines contracts for rewarding sensors based on the measurements obtained. The problem of designing a contract that yields an estimation-error based quality-of-service level in return for the reward extended to sensors is investigated in this paper. To this end, a game is formulated between the central planner and the sensors. Conditions for the existence and uniqueness of an equilibrium are identified. The equilibrium is constructed explicitly and its properties in response to a reward based contract are studied. It turns out that the central planner, while not being able to directly measure the effort invested by the sensors, can enhance the estimation quality by rewarding each sensor based on the distance of its measurements from the output of the averaging estimator. Ultimately, optimal contracts are designed from the perspective of the budget required for achieving a specified level of estimation error.

研究动机与目标

• 为以成本效益方式激励努力规避型传感器提供高质量测量，解决该挑战。
• 设计合同以在严格预算约束下确保指定的估计误差水平。
• 将中央规划者与传感器之间的互动建模为博弈，确保均衡的存在性与唯一性。
• 建立传感器努力成为占优策略的条件，增强对故障与攻击的鲁棒性。
• 推导给定估计误差下所需最小预算的根本界限，反之亦然。

提出的方法

• 在中央规划者（领导者）与努力规避型传感器（追随者）之间建立斯塔克尔伯格博弈，传感器选择努力水平以最大化期望效用。
• 将传感器成本建模为努力的指数函数，测量误差建模为努力的递减函数，使用 $ f_i(a) = \exp(\vartheta a) $ 和 $ \eta_i(a) = \varrho/(\varrho + a) $。
• 设计线性-二次补偿策略 $ \pi_i(y_1,\dots,y_n) = \delta - \gamma(\hat{x} - y_i)^2 $，根据与平均估计值的偏差奖励传感器。
• 通过一阶条件与凸性分析，推导均衡存在性与唯一性的条件。
• 显式构造均衡努力 $ a_i^* = \eta^{-1}(\epsilon) $，并证明其在合同下为占优策略。
• 建立两个基本性质：(1) 实现目标误差 $ \epsilon $ 所需的最小预算，(2) 在个体理性合同下，给定预算下的最大估计质量。

实验结果

研究问题

• RQ1 何种合同结构可确保努力规避型传感器在无直接监控的情况下投入最优努力？
• RQ2 在传感器-中央规划者互动中，何种条件下存在唯一且稳定的均衡？
• RQ3 实现平均值估计器中指定估计误差水平所需的最小预算为何？
• RQ4 估计质量如何随传感器数量与合同参数变化而变化？
• RQ5 能否使均衡努力成为占优策略，从而确保对传感器误操作的鲁棒性？

主要发现

• 最优合同形式为 $ \pi(y_1,\dots,y_n) = \left[\gamma\frac{n-1}{n}\epsilon + \frac{1}{\alpha}f(\eta^{-1}(\epsilon))\right] - \gamma\left(-y_i + \frac{1}{n}\sum_{j=1}^n y_j\right)^2 $，确保在目标误差水平 $ \epsilon $ 处达到均衡。
• 实现估计误差 $ \mathbb{E}\|x - \hat{x}\|^2 \leq \epsilon $ 所需的最小预算为 $ \frac{n}{\alpha}f(\eta^{-1}(\epsilon)) $，该结果由均衡条件推导得出。
• 均衡努力 $ a_i^* = \eta^{-1}(\epsilon) $ 为占优策略，意味着传感器无论他人如何行动，均能最大化自身收益，从而增强系统鲁棒性。
• 在固定估计质量下，增加传感器数量 $ n $ 可降低所需预算，表明随着 $ n $ 增大，边际收益递减。
• 性能-误差权衡受界限约束：在给定预算下，可实现的最佳估计误差由合同参数 $ \gamma $ 决定，$ \gamma $ 越高，精度越高，但预算成本也越高。
• 数值结果证实，更高的 $ \gamma $ 提升了估计精度与努力水平，而预算随 $ n $ 呈次线性增长，验证了理论界限。