[论文解读] Complexity of Mechanism Design

Vincent Conitzer, Tüomas Sandholm|arXiv (Cornell University)|May 28, 2002

Auction Theory and Applications参考文献 18被引用 249

一句话总结

本文提出了一种无需补贴的多智能体系统中偏好聚合的自动化机制设计，表明在主导策略与贝叶斯-纳什实现下，确定性机制的设计均为NP完全问题。然而，允许随机化机制可将复杂度降低至多项式时间，从而在不牺牲真实性的同时通过策略不确定性实现更高的社会福利。

ABSTRACT

The aggregation of conflicting preferences is a central problem in multiagent systems. The key difficulty is that the agents may report their preferences insincerely. Mechanism design is the art of designing the rules of the game so that the agents are motivated to report their preferences truthfully and a (socially) desirable outcome is chosen. We propose an approach where a mechanism is automatically created for the preference aggregation setting at hand. This has several advantages, but the downside is that the mechanism design optimization problem needs to be solved anew each time. Focusing on settings where side payments are not possible, we show that the mechanism design problem is NP-complete for deterministic mechanisms. This holds both for dominant-strategy implementation and for Bayes-Nash implementation. We then show that if we allow randomized mechanisms, the mechanism design problem becomes tractable. In other words, the coordinator can tackle the computational complexity introduced by its uncertainty about the agents preferences BY making the agents face additional uncertainty.This comes at no loss, AND IN SOME cases at a gain, IN the(social) objective.

研究动机与目标

• 解决在多智能体系统中设计不可操纵机制的挑战，其中智能体可能谎报偏好。
• 克服经典机制的局限性，后者依赖于诸如拟线性性与补贴等不切实际的假设。
• 研究当机制在特定场景下自动生成而非普遍适用时，机制设计的计算复杂性。
• 探究随机化是否能在提升社会福利的同时降低计算复杂性。
• 证明随机化机制在效率与计算可处理性方面可优于确定性机制。

提出的方法

• 将机制设计表述为一个优化问题，输入包括智能体类型、先验分布与社会目标。
• 将确定性机制设计定义为基于报告偏好的固定结果选择，受限于不可操纵性。
• 引入随机化机制设计，其中结果通过结果上的概率分布进行随机选择。
• 在主导策略与贝叶斯-纳什实现下，使用线性规划高效求解随机化机制设计问题。
• 应用一种变换，将任意机制转化为性能相同但不可操纵的机制，从而证明聚焦于不可操纵机制的合理性。
• 采用反证法证明：在某些情况下，随机化可严格提高期望社会福利，这意味着若随机化无法提升社会福利，则P ≠ NP。

实验结果

研究问题

• RQ1 在不允许可变支付的情况下，设计不可操纵的确定性机制在计算上是否困难？
• RQ2 随机化机制是否能使原本NP完全的机制设计问题变得可计算？
• RQ3 与确定性机制相比，机制中的随机化是否能带来更高的期望社会福利？
• RQ4 通过在机制本身引入不确定性，能否降低机制设计的计算复杂性？
• RQ5 在不可操纵设置下，确定性与随机化机制之间是否存在根本性性能差距？

主要发现

• 在不允许可变支付的情况下，确定性机制设计在主导策略与贝叶斯-纳什实现下均为NP完全问题。
• 通过线性规划，随机化机制设计在主导策略与贝叶斯-纳什实现下均可在多项式时间内求解。
• 在相同设置下，随机化机制可实现严格高于任何确定性机制的期望社会福利。
• 在一个包含3个结果、2个智能体的示例中，随机化机制实现了5.5的期望社会福利，而最佳确定性机制仅实现5。
• 此类差距的存在意味着P ≠ NP，前提是若随机化无法在无计算复杂性的情况下提升社会福利。
• 本文证明，通过在机制中引入不确定性，可在不牺牲社会福利的情况下降低计算复杂性，甚至可提升社会福利。