[论文解读] Equilibrium Selection in Information Elicitation without Verification via Information Monotonicity

Yuqing Kong, Grant Schoenebeck|arXiv (Cornell University)|Mar 24, 2016

Auction Theory and Applications参考文献 12被引用 13

一句话总结

本文提出了分歧机制（Disagreement Mechanism），一种无需依赖代理人共同先验知识即可激励诚实报告的对等预测机制。通过结合局部一致支付与全局分歧支付，该机制确保诚实报告是唯一最优对称均衡，并在渐近意义上超越所有非置换均衡，即使在策略性合谋下亦成立。

ABSTRACT

Peer-prediction is a mechanism which elicits privately-held, non-variable information from self-interested agents---formally, truth-telling is a strict Bayes Nash equilibrium of the mechanism. The original Peer-prediction mechanism suffers from two main limitations: (1) the mechanism must know the "common prior" of agents' signals; (2) additional undesirable and non-truthful equilibria exist which often have a greater expected payoff than the truth-telling equilibrium. A series of results has successfully weakened the known common prior assumption. However, the equilibrium multiplicity issue remains a challenge. In this paper, we address the above two problems. In the setting where a common prior exists but is not known to the mechanism we show (1) a general negative result applying to a large class of mechanisms showing truth-telling can never pay strictly more in expectation than a particular set of equilibria where agents collude to "relabel" the signals and tell the truth after relabeling signals; (2) provide a mechanism that has no information about the common prior but where truth-telling pays as much in expectation as any relabeling equilibrium and pays strictly more than any other symmetric equilibrium; (3) moreover in our mechanism, if the number of agents is sufficiently large, truth-telling pays similarly to any equilibrium close to a "relabeling" equilibrium and pays strictly more than any equilibrium that is not close to a relabeling equilibrium.

研究动机与目标

• 解决对等预测机制中的均衡多重性问题，即非诚实均衡可能优于诚实报告。
• 克服现有机制对共同先验知识的依赖限制，使其适用于先验未知的场景。
• 设计一种机制，确保诚实报告在所有对称非置换均衡中严格占优，并在渐近意义上主导所有接近置换的非置换均衡。
• 利用信息论工具（特别是信息单调性）提供均衡福利的理论保证，以分析机制性能。
• 证明置换均衡——尽管在理论上可能——在直觉上不自然且协调成本高昂，因此在实践中极不可能出现。

提出的方法

• 提出一种新颖机制，对一致性行为给予局部支付，对分歧行为给予全局支付，从而在个体与集体激励之间建立权衡。
• 采用基于分类的评分函数，将报告视为空间中的带标签点，以量化信息差异。
• 应用信息单调性证明：任何非诚实均衡均会降低整体分类质量，从而降低期望收益。
• 定义并分析“置换均衡”——即代理人合谋重新标记信号的战略配置——表明此类均衡是唯一能与诚实报告在期望收益上匹敌的均衡。
• 利用差异度量与不一致性指标证明：任何福利接近诚实报告的均衡，必须接近某个置换均衡。
• 借助对称性与大群体渐近分析，证明随着参与者数量增加，非对称均衡的收益严格低于诚实报告。

实验结果

研究问题

• RQ1 是否存在一种对等预测机制，可在不依赖共同先验知识的前提下，确保诚实报告是唯一最优对称均衡？
• RQ2 哪些均衡可实现与诚实报告相当的收益水平？能否系统性地排除这些均衡？
• RQ3 在大规模参与者场景下，均衡的期望收益如何与置换均衡的接近程度相关？
• RQ4 能否利用信息论工具（如信息单调性）对非诚实均衡的性能进行形式化上界约束？
• RQ5 在实践中，协调成本与策略不对称性在多大程度上限制了非诚实均衡的可行性？

主要发现

• 对于任意有限信号集及超过三个参与者的数量，诚实报告在分歧机制中均为严格贝叶斯纳什均衡。
• 诚实报告在期望收益上严格优于所有对称非置换均衡，而置换均衡的期望收益与诚实报告相同。
• 任何期望收益接近诚实报告的对称均衡，必须接近某个置换均衡。
• 随着参与者数量增加，任何接近置换均衡的非对称均衡，其期望收益也接近诚实报告；而所有不接近置换均衡的均衡，其收益均严格更低。
• 该机制确保平均参与者福利等于分类得分，且多样性与总差异度相等当且仅当不一致性为零。
• 该机制近似最优：任何不依赖先验知识的诚实机制均无法避免高收益的置换均衡；而在本机制中，仅此类均衡可接近诚实报告的收益。