[论文解读] Forming Probably Stable Communities with Limited Interactions

Ayumi Igarashi, Jakub Śliwiński+1 more|arXiv (Cornell University)|Nov 12, 2018

Game Theory and Voting Systems参考文献 10被引用 4

一句话总结

本文提出了一种统计框架，用于在受限互动（通过底层互动网络建模）的条件下，学习霍丁博弈中可能近似稳定（PAC稳定）的社区结构。研究证明，PAC稳定仅在互动网络为森林时才可高效实现，从而对结构约束在无完整偏好知识的情况下促进稳定联盟形成的条件进行了精确刻画。

ABSTRACT

A community needs to be partitioned into disjoint groups; each community member has an underlying preference over the groups that they would want to be a member of. We are interested in finding a stable community structure: one where no subset of members $S$ wants to deviate from the current structure. We model this setting as a hedonic game, where players are connected by an underlying interaction network, and can only consider joining groups that are connected subgraphs of the underlying graph. We analyze the relation between network structure, and one's capability to infer statistically stable (also known as PAC stable) player partitions from data. We show that when the interaction network is a forest, one can efficiently infer PAC stable coalition structures. Furthermore, when the underlying interaction graph is not a forest, efficient PAC stabilizability is no longer achievable. Thus, our results completely characterize when one can leverage the underlying graph structure in order to compute PAC stable outcomes for hedonic games. Finally, given an unknown underlying interaction network, we show that it is NP-hard to decide whether there exists a forest consistent with data samples from the network.

研究动机与目标

• 解决在缺乏玩家偏好信息但互动受图结构限制时，形成稳定社区的挑战。
• 探究是否能通过互动数据的统计学习，获得霍丁博弈中PAC稳定的联盟结构。
• 刻画结构性条件（特别是互动图的作用）下，PAC稳定结果可高效计算的条件。
• 探讨从数据样本中学习一致互动网络结构的计算复杂性，尤其当真实图未知时。

提出的方法

• 将社区形成建模为受图约束的霍丁博弈，其中仅连通联盟是可行的。
• 提出一种基于概率近似正确（PAC）稳定性的统计学习框架，利用联盟偏好的样本推断稳定划分。
• 证明当互动网络为森林时，可使用多项式数量的样本计算出PAC稳定结果。
• 通过将(3,B2)-SAT问题归约，证明若互动图中存在环，则即使拥有无限样本，也无法保证PAC稳定。
• 采用新颖的学习理论方法，从未观测数据中推断森林结构的互动网络，表明尽管学习一致的森林结构是NP难的，但通信复杂度仍保持较低。
• 结合结构图论与偏好建模，构造反例以证明森林条件对PAC可稳定性的必要性。

实验结果

研究问题

• RQ1 在互动网络的何种结构性条件下，可从数据中高效学习霍丁博弈中的PAC稳定联盟结构？
• RQ2 当玩家偏好未知但互动受图约束时，能否保证PAC稳定？
• RQ3 学习与观测数据样本一致的森林结构互动网络的计算复杂度是多少？
• RQ4 当底层互动图中存在环时，即使拥有大量样本，能否实现PAC稳定结果？
• RQ5 互动网络中森林结构的存在如何实现无需完整偏好获取的稳定社区划分的高效推断？

主要发现

• PAC稳定结果仅在底层互动网络为森林时才可高效计算，从而对可计算稳定性的条件进行了精确刻画。
• 即使真实森林结构未知，PAC可稳定性依然成立，意味着可在不识别确切网络的情况下，从数据中学习稳定结果。
• 若互动图中存在单个环，则无论样本数量多少，都无法保证PAC稳定，这是由内在结构限制所致。
• 学习与观测数据样本一致的森林结构是NP难的，即使同时观测到连通与非连通联盟。
• 学习一致森林结构的通信复杂度较低，表明尽管存在理论上的计算困难，但借助强大优化工具仍具实际可行性。
• 该框架无需偏好数值效用表示，相较于依赖数值效用模型的先前方法更具一般性与现实性。