[论文解读] Envy Freedom and Prior-free Mechanism Design

Nikhil R. Devanur, Jason D. Hartline+1 more|arXiv (Cornell University)|Dec 16, 2012

Auction Theory and Applications参考文献 24被引用 5

一句话总结

本文提出了一种适用于单一维度环境（如位置拍卖和组合拍卖）的无先验机制设计框架，以无 envy 结果作为基准。证明了广义随机抽样拍卖可实现最优无 envy 收益的常数因子近似，为机制提供了稳健且分布无关的理论保证，且优于传统的基于保留价的设计。

ABSTRACT

We consider the provision of an abstract service to single-dimensional agents. Our model includes position auctions, single-minded combinatorial auctions, and constrained matching markets. When the agents' values are drawn from a distribution, the Bayesian optimal mechanism is given by Myerson (1981) as a virtual-surplus optimizer. We develop a framework for prior-free mechanism design and analysis. A good mechanism in our framework approximates the optimal mechanism for the distribution if there is a distribution; moreover, when there is no distribution this mechanism still performs well. We define and characterize optimal envy-free outcomes in symmetric single-dimensional environments. Our characterization mirrors Myerson's theory. Furthermore, unlike in mechanism design where there is no point-wise optimal mechanism, there is always a point-wise optimal envy-free outcome. Envy-free outcomes and incentive-compatible mechanisms are similar in structure and performance. We therefore use the optimal envy-free revenue as a benchmark for measuring the performance of a prior-free mechanism. A good mechanism is one that approximates the envy free benchmark on any profile of agent values. We show that good mechanisms exist, and in particular, a natural generalization of the random sampling auction of Goldberg et al. (2001) is a constant approximation.

研究动机与目标

• 开发一种无先验机制设计框架，即使在不了解代理价值分布的情况下也能表现良好。
• 将无 envy 结果识别为一种稳定且逐点最优的基准，其继承了贝叶斯最优机制的性质。
• 设计机制，使其在任何估值配置下对最优无 envy 收益的近似误差保持在常数因子内。
• 克服激励相容机制的局限性，后者缺乏逐点最优性且严重依赖先验分布。
• 证明简单而稳健的机制（如广义随机抽样）可在不依赖分布假设的前提下实现强大的理论性能保证。

提出的方法

• 利用代理估值的经验分布，将最优无 envy 结果表征为虚拟盈余最大化者，与 Myerson 的贝叶斯机制设计理论相呼应。
• 将最优无 envy 收益定义为无先验机制性能的基准，确保逐点最优性，并优于贝叶斯激励相容机制。
• 引入有效收益曲线与铁化虚拟盈余最大化，以处理虚拟估值中的非单调性。
• 通过将代理平衡划分为两组 S 和 M，比较基于样本的收益与完整估值配置下的无 envy 收益。
• 应用广义随机抽样拍卖，将代理划分为样本集和分配集，从样本中估算收益以指导分配。
• 使用数学不等式和支配性论证（例如 eR(i) ≥ ¯RS(i)）证明：样本的期望无 envy 收益至少为完整估值基准的常数倍。

实验结果

研究问题

• RQ1 能否设计一种无先验机制，使其在未知任何先验分布的情况下仍能近似最优机制？
• RQ2 在机制设计中是否存在一种逐点最优的基准，可避免激励相容机制固有的权衡？
• RQ3 无 envy 结果能否作为评估无先验机制的稳健且分布无关的基准？
• RQ4 广义随机抽样拍卖是否能在对称的单一维度环境中实现最优无 envy 收益的常数因子近似？
• RQ5 基于保留价的机制是否足以实现常数近似，还是在更丰富的环境中会失效？

主要发现

• 最优无 envy 结果是基于代理估值经验分布的虚拟盈余最大化者，提供了一种逐点最优的基准。
• 最优无 envy 收益在诸如受限匹配市场等环境中，优于任何贝叶斯最优激励相容机制的收益。
• 广义随机抽样拍卖实现了对最优无 envy 收益的常数因子近似，近似因子范围从 6.24 到约 2500 不等。
• 当划分平衡时，随机样本的期望无 envy 收益至少为完整估值配置下无 envy 收益的 1/4。
• 该机制的性能稳健且与建模细节无关，尽管理论边界较为保守，但仍支持其理论与实际可行性。
• 基于保留价的机制在所考虑的环境中无法实现常数近似，凸显了所提抽样方法的优越性。