[论文解读] Generating Single Peaked Votes

Toby Walsh|arXiv (Cornell University)|Mar 10, 2015

Game Theory and Voting Systems参考文献 9被引用 7

一句话总结

本文提出了一种递归算法，可在互惠文化（Impartial Culture, IC）模型下均匀生成单峰偏好。该方法纠正了先前方法中常见的偏差。通过基于公平硬币抛掷，递归地在左侧或右侧添加候选人，确保所有 $2^{n-1}$ 个单峰偏好均以相等概率被采样，而不同于 Conitzer 的方法，后者倾向于极端峰值，从而扭曲了 IC 分布。

ABSTRACT

We discuss how to generate singled peaked votes uniformly from the Impartial Culture model.

研究动机与目标

• 解决文献中在互惠文化（IC）模型下单峰偏好非均匀采样的普遍错误。
• 开发一种正确且高效的单峰偏好生成方法，确保所有有效排名的均匀性。
• 纠正现有生成器（如 Conitzer 的方法）引入的偏差，这些方法过度代表谱系两端的峰值。
• 提供一种递归算法，从线性候选人顺序的 $2^{n-1}$ 个单峰偏好中均匀采样。
• 阐明基于 IC 的均匀采样与导致偏好分布偏斜的其他采样模型之间的区别。

提出的方法

• 该算法 GenSinglePeak(a,b) 递归生成从索引 a 到 b 的候选人的单峰偏好。
• 在每个递归步骤中，通过公平硬币抛掷决定将最左侧候选人（a）还是最右侧候选人（b）添加到结果中。
• 若 a = b，则递归返回空列表，构成基本情况。
• 左侧递归调用为 GenSinglePeak(a+1,b)，右侧递归调用为 GenSinglePeak(a,b-1)。
• 该方法通过在所有 $2^{n-1}$ 种可能的单峰排名中保持相等概率，确保均匀采样。
• 该算法通过从内部区间向外构建的方式构造偏好，保持单峰结构。

实验结果

研究问题

• RQ1 如何在互惠文化模型下均匀生成单峰偏好？
• RQ2 何种正确的递归结构可确保所有 $2^{n-1}$ 个单峰偏好中均匀采样？
• RQ3 为何现有方法（如 Conitzer 的生成器）在 IC 模型下无法实现均匀采样？
• RQ4 单峰偏好的概率分布如何在 IC 模型与其他采样方法之间产生差异？
• RQ5 在 IC 模型与 Conitzer 的生成器下，极端单峰偏好（如 1>2>...>n）的渐近行为有何不同？

主要发现

• 在 $n$ 个候选人的线性顺序上，单峰偏好的数量恰好为 $2^{n-1}$。
• 所提出的递归算法以相等概率生成所有 $2^{n-1}$ 个单峰偏好，确保在 IC 模型下实现均匀采样。
• 对于 $n=3$，Conitzer 的方法对偏好 $2>1>3$ 和 $2>3>1$ 的概率赋值为 $\frac{1}{3}$，而 IC 模型下的概率为 $\frac{1}{2}$，显示出显著偏差。
• IC 模型对 $n=3$ 时的偏好 $1>2>3$ 的概率赋值为 $\frac{1}{4}$，但 Conitzer 的方法赋值为 $\frac{1}{3}$，表明存在系统性扭曲。
• 在 IC 模型下，极端单峰偏好 $1>\ldots>n$ 的概率为 $\frac{1}{2^n}$，但在 Conitzer 的方法下为 $\frac{1}{n}$，且随着 $n$ 增大，该比例趋于零。
• 渐近地，IC 模型使极端排名的概率呈指数级降低，而 Conitzer 的生成器则显著高估其概率，凸显了两种采样分布之间的根本性差异。