[论文解读] Hybrid Mechanisms: Trading off Strategyproofness and Efficiency of Random Assignment Mechanisms

Timo Mennle, Sven Seuken|arXiv (Cornell University)|Mar 11, 2013

Auction Theory and Applications参考文献 26被引用 4

一句话总结

本文提出混合机制——两种随机分配机制的凸组合——以在策略抗性与效率之间进行权衡。通过将一种策略抗性机制（如随机优先权）与一种更高效但策略抗性较弱的机制（如概率轮盘或自适应波士顿机制）相结合，作者表明，在满足三个严格条件时，非退化的权衡是可能的，从而在保持部分策略抗性的同时实现显著的效率提升，且最大混合系数可通过算法计算得出。

ABSTRACT

Severe impossibility results restrict the design of strategyproof random assignment mechanisms, and trade-offs are necessary when aiming for more demanding efficiency requirements, such as ordinal or rank efficiency. We introduce hybrid mechanisms, which are convex combinations of two component mechanisms. We give a set of conditions under which such hybrids facilitate a non-degenerate trade-off between strategyproofness (in terms of partial strategyproofness) and efficiency (in terms of dominance). This set of conditions is tight in the sense that trade-offs may become degenerate if any of the conditions are dropped. Moreover, we give an algorithm for the mechanism designer's problem of determining a maximal mixing factor. Finally, we prove that our construction can be applied to mix Random Serial Dictatorship with Probabilistic Serial, as well as with the adaptive Boston mechanism, and we illustrate the efficiency gains numerically.

研究动机与目标

• 为解决随机分配机制中策略抗性与效率之间的根本性权衡问题，其中完全策略抗性与高效率相互排斥。
• 开发一种构造性、参数化的机制设计方法，以平衡激励相容性与效率。
• 形式化混合机制实现非退化权衡的条件，避免在组成机制不满足关键属性时出现退化结果。
• 为机制设计者提供一种可计算的解决方案，以确定在保持特定部分策略抗性水平下，可允许的更高效机制的最大份额。
• 通过实例化RSD、PS和自适应波士顿机制，展示混合机制的实际可行性与效率增益。

提出的方法

• 混合机制被定义为凸组合：$ h^\beta = (1-\beta)\varphi + \beta\psi $，其中$ \varphi $是策略抗性机制，$ \psi $是更高效的机制。
• 策略抗性的程度通过部分策略抗性来衡量，参数化为$ \rho \in [0,1] $，其中$ \rho=1 $表示完全策略抗性。
• 实现非退化权衡需满足三个关键条件：$ \varphi $必须是策略抗性机制，$ \psi $必须满足上不变性，且$ \psi $的变动性必须弱于或等于$ \varphi $。
• 通过相对于组成机制的序数支配和排名支配来评估混合机制的效率。
• 开发了一种算法，用于计算给定可接受的部分策略抗性程度$ \underline{\rho} $下的最大混合系数$ \beta^{\text{max}} $。
• 该方法以RSD作为$ \varphi $，PS或自适应波士顿机制（ABM）作为$ \psi $进行实例化，显示出显著的效率改进。

实验结果

研究问题

• RQ1 在何种条件下，两种分配机制的凸组合能够实现部分策略抗性与效率之间的非退化权衡？
• RQ2 混合机制能否在继承其组件的**事后效率**的同时，提升序数效率或排名效率？
• RQ3 实现非退化权衡所要求的条件是否是紧致的，即若任一条件被放宽，是否会导致退化结果？
• RQ4 机制设计者如何计算最大混合系数$ \beta^{\text{max}} $，以在保持期望部分策略抗性水平下实现目标？
• RQ5 当将RSD与PS或ABM结合时，混合机制的定量效率增益是多少，特别是在策略抗性略有降低的情况下？

主要发现

• 当满足三个条件——$ \varphi $的策略抗性、$ \psi $的上不变性，以及$ \psi $的变动性弱于或等于$ \varphi $——时，混合机制框架能够实现部分策略抗性与效率之间的非退化权衡。
• 这些条件是紧致的：若任一条件被放宽，将导致退化权衡，即效率增益丧失或策略抗性无法维持。
• 当$ \rho = 0.75 $且$ n = m = 4 $时，最大混合系数允许在混合机制中包含超过30%的PS机制或17%的ABM机制，表明显著的效率增益。
• 当物品容量增加时（如$ m=3, q=4 $），PS机制的最大混合系数上升，表明在更高容量下与部分策略抗性具有更高的兼容性。
• 用于计算$ \beta^{\text{max}} $的算法是有效的，使机制设计者能够系统性地平衡效率与激励相容性。
• 数值结果表明，即使策略抗性要求小幅降低（如从$ \rho=1 $降至$ \rho=0.75 $），也能实现显著的效率提升，且$ \beta^{\text{max}} $随$ \rho $增加呈非线性下降。