[论文解读] Modularity and Optimality in Social Choice

Gennaro Amendola, Simona Settepanella|arXiv (Cornell University)|Apr 20, 2010

Game Theory and Voting Systems参考文献 22被引用 3

一句话总结

本文在社会选择理论中引入了 u-local 极值点，以分析当社会结果为相互依赖元素的组合时的模块化与最优性。通过将几何模型与锦标赛理论相结合，提出了一种 O(M³ log M) 算法来计算普遍吸引域，揭示了在复杂选择情境中全局最优解极为罕见。

ABSTRACT

Marengo and the second author have developed in the last years a geometric model of social choice when this takes place among bundles of interdependent elements, showing that by bundling and unbundling the same set of constituent elements an authority has the power of determining the social outcome. In this paper we will tie the model above to tournament theory, solving some of the mathematical problems arising in their work and opening new questions which are interesting not only from a mathematical and a social choice point of view, but also from an economic and a genetic one. In particular, we will introduce the notion of u-local optima and we will study it from both a theoretical and a numerical/probabilistic point of view; we will also describe an algorithm that computes the universal basin of attraction of a social outcome in O(M^3 logM) time (where M is the number of social outcomes).

研究动机与目标

• 形式化并分析模块化、相互依赖结果的社会选择模型中 u-local 极值点的概念。
• 解决 Marengo 和 Settepanella 几何模型在元素捆绑选择中所面临的数学挑战。
• 通过拓扑与算法工具，探讨对象构建能力（即捆绑与解绑影响社会结果）的含义。
• 将经典社会选择模型与新的模块化框架进行比较，尤其关注最优解的存在性与概率问题。
• 开发一种计算高效的算法，用于确定社会结果的普遍吸引域。

提出的方法

• 引入 u-local 极值点作为局部极值点的改进形式，通过所有可能的对象构建方式下的普遍吸引域来定义。
• 应用锦标赛理论与超平面排列，对模块化情境下社会结果之间的偏好关系进行建模。
• 使用代数拓扑与实中心排列，分析社会选择函数及其最优解的结构。
• 开发一种算法，以 O(M³ log M) 时间计算普遍吸引域，其中 M 为社会结果的数量。
• 采用概率与数值分析，估算在经典与模块化社会选择模型中全局最优解的可能性。
• 利用几何与组合技术，通过反证法证明某些结果并非全局最优解，基于对象集合约束。

实验结果

研究问题

• RQ1 在模块化社会选择情境中，u-local 极值点与局部极值点及全局极值点有何不同？
• RQ2 确定给定社会结果的普遍吸引域的计算复杂度是多少？
• RQ3 当偏好被结构化为相互依赖元素的组合时，社会规则拥有全局最优解的概率如何变化？
• RQ4 一个结果是否可能为 u-local 极值点但不是全局最优解？在何种条件下可能发生这种情况？
• RQ5 通过捆绑与解绑实现的对象构建能力，如何改变社会选择结果，而这种变化在经典模型中未被捕捉？

主要发现

• 在经典模型中，具有 M 个结果的社会规则拥有全局最优解的概率为 M / 2^(M-1)，该概率随 M 显著下降，例如当 M=14 时，该值为 0.001709。
• 本文构建了一个最小示例，包含 8 个结果，其中全局最优解、u-local 极值点（000）与局部极值点（101）共存，证明了不同最优解类型的存在。
• 社会结果 000 是 u-local 极值点但不是全局最优解，通过对象集合约束与顺序关系的反证法得以证明。
• 结果 101 是局部极值点但不是 u-local 极值点，因为其吸引域在任何对象构建方式下均无法覆盖所有其他备选项。
• 计算普遍吸引域的算法时间复杂度为 O(M³ log M)，显著优于暴力枚举方法。
• 在经典模型中，具有少于八个结果的社会规则最多只能有两个局部极值点，且在特征受限时仅能有一个全局最优解。