[论文解读] Improved Prophet Inequalities for Combinatorial Welfare Maximization with (Approximately) Subadditive Agents

Hanrui Zhang|arXiv (Cornell University)|Jan 1, 2020

Auction Theory and Applications被引用 4

一句话总结

本文提出了一种针对子次可加组合拍卖的 O(log log m) 预言不等式，采用一种新颖的原始对偶方法，构建了静态且匿名的物品价格，从而实现一种在线分配策略，该策略对离线福利实现了近乎最优的近似。该结果改进了先前的 O(log m) 边界，并为在物品统计独立性假设下的子次可加估值，提供了一种多项式时间、激励相容的报价机制。

ABSTRACT

We give a framework for designing prophet inequalities for combinatorial welfare maximization. Instantiated with different parameters, our framework implies (1) an O(log m / log log m)-competitive prophet inequality for subadditive agents, improving over the O(log m) upper bound via item pricing, (2) an O(D log m / log log m)-competitive prophet inequality for D-approximately subadditive agents, where D ∈ {1, … , m-1} measures the maximum number of items that complement each other, and (3) as a byproduct, an O(1)-competitive prophet inequality for submodular or fractionally subadditive (a.k.a. XOS) agents, matching the optimal ratio asymptotically. Our framework is computationally efficient given sample access to the prior and demand queries.

研究动机与目标

• 为子次可加组合拍卖中的诚实机制与非诚实机制之间的渐近差距提供填补。
• 为子次可加估值设计一个近似因子显著优于 O(log m) 的预言不等式。
• 构建一种多项式时间、激励相容的报价机制，实现对最优福利的 O(log log m) 近似。
• 提供一种基于阈值的构造性策略，利用来自需求查询的静态且匿名的物品价格。

提出的方法

• 引入一种新颖的原始对偶框架，以分析在子次可加估值下基于阈值的在线策略的性能。
• 通过将物品集合递归分解为逐步缩小的子集，构建物品价格，每个子集关联一个高度子次可加的估值函数。
• 使用一组定义在大小为 2^k - 1 的集合上的子次可加函数 f，其表现出强烈的子次可加性，源自 F_k^2 上的线性代数。
• 通过随机构造一个物品集合 T，其中每个物品以小概率 q 被包含，以在分析中界定期望福利损失。
• 应用并集界和概率论证，表明在线分配的期望值相对于总价值，与最优离线福利相差 O(1)，从而得出 O(log log m) 的近似因子。
• 通过利用误差项的几何衰减，对层级 ℓ 上各贡献之和进行有界，最终推导出 O(log log m) 的近似因子。

实验结果

研究问题

• RQ1 子次可加组合拍卖的预言不等式能否实现次对数近似因子，即 o(log m)？
• RQ2 是否可能设计一种简单、激励相容的报价机制，实现对子次可加估值下最优福利的 O(log log m) 近似？
• RQ3 能否构建一种原始对偶方法，以在子次可加环境下对基于阈值的在线策略性能提供紧致边界？
• RQ4 如何利用子次可加函数的结构，设计出静态且匿名的价格，以实现强近似保证？

主要发现

• 本文建立了子次可加组合拍卖的 O(log log m) 预言不等式，显著优于先前的 O(log m) 边界。
• 所提出的在线策略使用可利用需求查询访问估值函数在多项式时间内计算的静态且匿名的物品价格。
• 分析表明，该在线策略的期望福利相对于总价值，与最优离线福利相差 O(1)，从而得出 O(log log m) 的近似因子。
• 该构造是构造性的，产生一种简单、激励相容的报价机制，实现了在物品统计独立性下对期望最优福利的 O(log log m) 近似。
• 该方法适用于福利最大化与收益近似，改进了先前在子次可加估值下对报价机制的 O(log m) 边界。
• 关键技术创新在于对物品集合的分层分解，以及对具有受控整数规划间隙的子次可加函数的使用，从而实现了紧致的原始对偶分析。