[论文解读] Estimating the Margin of Victory of an Election using Sampling

Palash Dey, Y. Narahari|arXiv (Cornell University)|May 4, 2015

Game Theory and Voting SystemsEconomics, Econometrics and Finance参考文献 21被引用 19

一句话总结

本文提出一种基于采样的方法，以高概率和低样本复杂度估计选举中的胜出优势（MoV）。该方法为常见投票规则（包括Copelandα、最大化最小值规则和记分规则）设计了高效的随机化算法，实现了(1−O(1/log m), ε, δ)近似，且样本复杂度与选民数量n无关。

ABSTRACT

The margin of victory of an election is a useful measure to capture the robustness of an election outcome. It also plays a crucial role in determining the sample size of various algorithms in post election audit, polling etc. In this work, we present efficient sampling based algorithms for estimating the margin of victory of elections. More formally, we introduce the extsc{$(c, ε, δ)$--Margin of Victory} problem, where given an election $\mathcal{E}$ on $n$ voters, the goal is to estimate the margin of victory $M(\mathcal{E})$ of $\mathcal{E}$ within an additive factor of $c MoV(\mathcal{E})+εn$. We study the extsc{$(c, ε, δ)$--Margin of Victory} problem for many commonly used voting rules including scoring rules, approval, Bucklin, maximin, and Copeland$^α.$ We observe that even for the voting rules for which computing the margin of victory is NP-Hard, there may exist efficient sampling based algorithms, as observed in the cases of maximin and Copeland$^α$ voting rules.

研究动机与目标

• 解决在无法获取全部选票时，大规模选举中胜出优势（MoV）估计的挑战。
• 将(c,ε,δ)-胜出优势问题形式化为一种混合近似，平衡加法误差与乘法误差边界。
• 开发基于采样的算法，以最小化样本复杂度，同时确保对各种投票规则的高概率准确性。
• 证明即使在MoV计算为NP难的问题中（如Copelandα和最大化最小值规则），基于采样的方法仍能提供高效且准确的解。
• 为实际应用（如选举后审计和民意调查）提供近似质量与样本复杂度的理论保证。

提出的方法

• 将(c,ε,δ)-MoV问题定义为：在以至少1−δ的概率下，将MoV估计在c·MoV + εn的加法误差范围内。
• 引入一个代理量Γ(ℰ)，用于近似胜出优势，且可通过采样计算得出。
• 使用随机采样来估计候选人之间的成对主导计数Dℰ(x,y)，误差控制在ε′n以内。
• 从采样得到的主导计数构建估计量Γ̄(ℰ)，并证明其以高概率集中在Γ(ℰ)附近。
• 对于Copelandα规则，将Γ̄(ℰ)乘以因子4(log m + 1)/(2 log m + 3)，以得到最终的MoV估计M̄。
• 证明所得估计M̄以高概率为真实MoV的(1−O(1/log m), ε, δ)-近似。

实验结果

研究问题

• RQ1 我们能否仅通过随机采样少量选票，来估计选举中的胜出优势？
• RQ2 在不同投票规则下，实现(c,ε,δ)-胜出优势近似的最小样本复杂度是多少？
• RQ3 对于MoV计算为NP难的投票规则（如Copelandα），基于采样的方法是否仍能提供高效且准确的估计？
• RQ4 候选人数量m如何影响基于采样的MoV估计器的近似质量？
• RQ5 所提出的框架能否扩展以利用选民之间的社交网络结构，从而进一步降低样本复杂度？

主要发现

• 所提出的基于采样的算法在Copelandα选举中实现了(1−O(1/log m), ε, δ)-近似。
• 该算法的样本复杂度与选民数量n无关，使其适用于大规模选举。
• 对于最大化最小值和Copelandα投票规则，尽管精确计算MoV为NP难，但高效的采样算法依然存在。
• 证明估计量Γ̄(ℰ)以高概率集中在真实Γ(ℰ)的4ε′n范围内，使用O(1/ε′²)次样本进行每对比较。
• 最终的MoV估计M̄满足|M̄ − MoV| ≤ (1−O(1/log m))·MoV + εn，概率至少为1−δ。
• 该框架为选举后审计和民意调查提供了实用解决方案，使样本复杂度可在采样前根据估计的MoV确定。