[论文解读] Combinatorial Pen Testing (Or Consumer Surplus of Deferred-Acceptance Auctions)

Aadityan Ganesh, Jason D. Hartline|arXiv (Cornell University)|Jan 29, 2023

Auction Theory and Applications被引用 1

一句话总结

本文提出了一种新颖的归约框架，将盈余最优的延迟接受拍卖机制转化为针对组合约束（如拟阵、背包问题和一般向下封闭系统）的近似最优笔测试算法。通过利用虚拟价值和消费者剩余优化，该方法保证了残余墨水性能在（1+o(1))ln n 以内，接近全知基准，从而在在线和组合设置中均实现了紧密的近似保证。

ABSTRACT

Pen testing is the problem of selecting high-capacity resources when the only way to measure the capacity of a resource expends its capacity. We have a set of $n$ pens with unknown amounts of ink and our goal is to select a feasible subset of pens maximizing the total ink in them. We are allowed to learn about the ink levels by writing with them, but this uses up ink that was previously in the pens. We identify optimal and near optimal pen testing algorithms by drawing analogues to auction theoretic frameworks of deferred-acceptance auctions and virtual values. Our framework allows the conversion of any near optimal deferred-acceptance mechanism into a near optimal pen testing algorithm. Moreover, these algorithms guarantee an additional overhead of at most $(1+o(1)) \ln n$ in the approximation factor to the omniscient algorithm that has access to the ink levels in the pens. We use this framework to give pen testing algorithms for various combinatorial constraints like matroid, knapsack, and general downward-closed constraints, and also for online environments.

研究动机与目标

• 在测试消耗容量的组合与在线约束下，设计近似最优的笔测试算法。
• 通过消费者剩余与虚拟价值，建立笔测试与延迟接受拍卖之间的正式联系。
• 提供从任意盈余最优的延迟接受机制到具有相同性能保证的笔测试算法的黑箱归约。
• 通过将全知基准与标准基准之间的关系表示为两个近似比的乘积 γ(n) 和 ζ(n)，来收紧近似界。
• 探索该框架在部分访问先验分布设置下的极限，如在线无偏和秘书模型。

提出的方法

• 通过将笔映射为参与者、墨水量映射为价值、测试中消耗的墨水映射为支付，将笔测试问题归约为延迟接受拍卖中的消费者剩余最大化问题。
• 应用拍卖理论中的虚拟价值框架，推导出适用于组合约束的最优与近似最优机制。
• 利用分部积分与盈余分解，界定所有分布下最优盈余与消费者剩余之间的比值。
• 推导出最优盈余与消费者剩余之间最坏情况比值为 Hn + 1 = (1+o(1))ln n，表明该界在所有分布下均成立。
• 证明最优全知近似比 ζ(n) 受标准近似比 γ(n) 与依赖于分布的因子 ζ(n) 的乘积限制，从而得出 π(n) = γ(n)ζ(n)。
• 将该框架应用于在线环境，推导出在独立同分布情况下近似比为 (1+o(1))ln n，在顺序与无偏设置下获得更紧的界。

实验结果

研究问题

• RQ1 延迟接受拍卖能否系统性地重用于解决具有容量消耗约束的组合笔测试问题？
• RQ2 笔测试算法相对于全知基准所能达到的最紧近似比是多少？能否通过拍卖理论归约实现该比值？
• RQ3 在不同可行性约束（如拟阵与背包问题）下，笔测试算法的性能如何随 n 变化？
• RQ4 该归约框架能否扩展至先验信息有限的在线模型，如单样本或秘书设置？
• RQ5 在所有分布下，(1+o(1))ln n 的近似界是否为紧致的？还是可以进一步改进？

主要发现

• 该框架保证，任何近似最优的延迟接受机制均可导出一个笔测试算法，其全知近似因子为 π(n) = γ(n)ζ(n)，其中 γ(n) 为该机制的标准近似比。
• 对于拟阵约束，框架实现 γ(n) = 1，从而得到全知近似比 ζ(n) = (1+o(1))ln n。
• 对于背包约束，框架得到 γ(n) = 2，因此在无偏在线设置下，全知近似比为 2(1+o(1))ln n。
• 在顺序在线设置中，框架实现近似比为 e/(e−1)·(1+o(1))ln n，优于无偏情况。
• 最优盈余与消费者剩余之间的最坏情况比值在所有分布下不超过 (1+o(1))ln n，且在具有线性虚拟价值曲线的最坏分布下趋近于该界。
• 该框架表明，当前的近似界可能并非紧致，且 (1+o(1))ln n 的界甚至可能在部分先验信息可用的在线设置中实现。