[论文解读] Conducting Truthful Surveys, Cheaply

Aaron Roth, Grant Schoenebeck|Scholarly Commons (University of Pennsylvania)|Mar 2, 2012

Privacy-Preserving Technologies in Data参考文献 7被引用 9

一句话总结

本文提出了一种贝叶斯最优机制，通过基于已知参与成本先验分布的“要么接受要么放弃”报价，实现最小方差或最小成本的诚实调查。证明表明，最优机制可简化为设计单一报价价格分布，实现事后主导策略诚实性，同时在预算或方差约束下最小化估计误差。

ABSTRACT

We consider the problem of conducting a survey with the goal of obtaining an unbiased estimator of some population statistic when individuals have unknown costs (drawn from a known prior) for participating in the survey. Individuals must be compensated for their participation and are strategic agents, and so the payment scheme must incentivize truthful behavior. We derive optimal truthful mechanisms for this problem for the two goals of minimizing the variance of the estimator given a fixed budget, and minimizing the expected cost of the survey given a fixed variance goal.

研究动机与目标

• 设计一种在固定预算约束下最小化估计量方差的诚实调查机制。
• 在保持估计量方差目标固定的前提下最小化预期调查成本。
• 通过激励相容的支付规则，确保个体诚实地报告其私人参与成本。
• 将复杂的机制设计问题简化为对单一报价价格分布的可处理优化。
• 证明“要么接受要么放弃”报价足以实现最优性，从而简化设计空间。

提出的方法

• 作者证明了一个特征化定理，表明任何诚实机制均可被一个具有相同估计量属性和期望成本的等价“要么接受要么放弃”机制所替代。
• 通过使用带约束的变分法推导最优报价价格分布，对这类“要么接受要么放弃”机制进行优化。
• 通过求解一个约束优化问题推导出最优机制，其中目标函数是成本和方差的连续、凸且单调的函数。
• 解决方案涉及构建一个分布 $ \bar{G}_{\mathcal{F},\alpha} $，以平衡成本与方差之间的权衡，其中 $ \alpha $ 控制权衡参数。
• 机制使用一个关键阈值 $ \bar{x}_{\mathcal{F},\alpha} $ 来确定基于成本先验 $ \mathcal{F} $ 的哪些个体被提供参与机会。
• 最优机制具有事后主导策略诚实性，确保个体始终通过报告真实成本获得利益。

实验结果

研究问题

• RQ1 在固定预算约束下，最小化估计量方差的最优诚实机制是什么？
• RQ2 在保持估计量方差目标固定的前提下，最小化预期调查成本的最优机制是什么？
• RQ3 能否将机制设计问题简化为对单一报价价格分布的优化，而非复杂机制？
• RQ4 当成本先验在零附近有质量时，最优机制的行为如何？何时解可能不存在？
• RQ5 当先验分布未知且必须学习时，最优机制会发生什么变化？

主要发现

• 在预算约束下最小化方差的最优机制是一种“要么接受要么放弃”机制，其报价价格分布由成本先验 $ \mathcal{F} $ 导出，最优价格分布为 $ \bar{G}_{\mathcal{F},\alpha} $。
• 该机制实现了事后主导策略诚实性，确保个体始终诚实地报告其真实成本。
• 当先验分布 $ \mathcal{F} $ 在零附近无质量时，存在唯一最优解；否则，由于零附近采样激励无界，解可能不存在。
• 当阈值 $ \bar{x}_{\mathcal{F},\alpha} = 0 $ 时，最优机制的目标函数被最小化，这发生在 $ \alpha $ 足够小时。
• 最优机制表现出样本数 $ n $ 与权衡参数 $ \alpha $ 之间的反比关系，其中 $ \alpha = \lambda / n^2 $，从而确保成本与方差的平衡。
• 当 $ \beta = 0 $ 时，可通过比较不同 $ n $ 下的目标函数值来计算最优机制，随着 $ n $ 增加，解收敛至稳定形式。