[论文解读] Sum of Us: Strategyproof Selection from the Selectors

Noga Alon, Felix Fischer+2 more|ArXiv.org|Oct 25, 2009

Auction Theory and Applications参考文献 22被引用 27

一句话总结

本文研究了基于有向图中入度（受欢迎度/信任度）从代理中选择 k 个子集的策略性机制，其中代理可能通过谎报边来提高被选中的机会。它证明了对于具有有限近似比的确定性机制存在一个强烈的不可能性结果，但提出了一个随机化机制，实现了最多 4 倍的近似比，且随着 k 增大，该比值趋近于 1。

ABSTRACT

We consider directed graphs over a set of n agents, where an edge (i,j) is taken to mean that agent i supports or trusts agent j. Given such a graph and an integer k\leq n, we wish to select a subset of k agents that maximizes the sum of indegrees, i.e., a subset of k most popular or most trusted agents. At the same time we assume that each individual agent is only interested in being selected, and may misreport its outgoing edges to this end. This problem formulation captures realistic scenarios where agents choose among themselves, which can be found in the context of Internet search, social networks like Twitter, or reputation systems like Epinions. Our goal is to design mechanisms without payments that map each graph to a k-subset of agents to be selected and satisfy the following two constraints: strategyproofness, i.e., agents cannot benefit from misreporting their outgoing edges, and approximate optimality, i.e., the sum of indegrees of the selected subset of agents is always close to optimal. Our first main result is a surprising impossibility: for k \in {1,...,n-1}, no deterministic strategyproof mechanism can provide a finite approximation ratio. Our second main result is a randomized strategyproof mechanism with an approximation ratio that is bounded from above by four for any value of k, and approaches one as k grows.

研究动机与目标

• 设计基于有向图中代理入度（受欢迎度/信任度）选择 k 个代理子集的策略性机制。
• 确保代理无法通过谎报其出边来获益，以维持策略性机制的性质。
• 实现与所选代理入度总和最优值接近的近似比。
• 探索在这些约束下，确定性与随机化机制的极限。
• 解决现实应用场景，如搜索引擎、社交网络（例如 Twitter）以及声誉系统（例如 Epinions）。

提出的方法

• 将问题形式化为：在有向图中选择一个 k 个代理的子集，以最大化入度总和，同时满足策略性机制约束。
• 提出一种基于随机划分的随机化机制：将代理随机划分为两个子集，分别根据代理间子集的入度，从每个子集中选择 top-k 个代理。
• 通过证明在任何固定划分下，代理均无法通过谎报边来获益，从而证明该机制是普遍策略性机制（强于仅在期望意义下成立）。
• 使用概率论分析近似比，证明其对任意 k 最多为 4，且随着 k 增大而趋近于 1。
• 为随机化 1-选择机制建立了紧的下界 2，表明在 2 和 4 之间存在一个差距。
• 将结果扩展到加权边和替代效用模型，证明在温和假设下该机制依然有效。

实验结果

研究问题

• RQ1 是否存在一种确定性策略性机制，能够为基于入度总和的 k-选择问题实现有限近似比？
• RQ2 随机化策略性机制在 k-选择问题中可实现的最佳近似比是多少？
• RQ3 所提出的随机化机制的近似比如何随 k 增大而变化？
• RQ4 该机制能否在不损失策略性机制性质的前提下，适应加权图或替代效用模型？
• RQ5 是否存在一种随机化策略性机制，能够为 1-选择问题实现 2 倍近似？

主要发现

• 对于任意 k ∈ {1, ..., n−1}，不存在确定性策略性机制能够实现有限近似比，证明了一个强烈的不可能性结果。
• 随机化策略性机制对任意 k 的近似比最多为 4，且随着 k 增大，该比值趋近于 1。
• 所提出的机制是普遍策略性机制，意味着在随机化过程的任何实现中，代理均无法通过谎报边来获益。
• 对于 1-选择问题，任何随机化策略性机制的最佳近似比至少为 2，最多为 4，作者推测该差距可缩小至 2。
• 在加权边和替代效用模型（如具有小外部性的社会福利）下，该机制依然有效。
• 确定性机制的不可能性结果可推广至其他目标函数，例如最大化所选集合中最小入度。