Truthful and near optimal mechanism design via linear programming
This presentation is the property of its rightful owner.
Sponsored Links
1 / 46

Truthful and Near-Optimal Mechanism Design via Linear Programming PowerPoint PPT Presentation


  • 84 Views
  • Uploaded on
  • Presentation posted in: General

Truthful and Near-Optimal Mechanism Design via Linear Programming. Ron Lavi – Chaitanya Swamy. Strumenti della Teoria dei Giochi per l’Informatica A.A. 2009/2010 Annibale Panichella. Mechanism Design. un insieme di giocatori un insieme di possibili outcomes

Download Presentation

Truthful and Near-Optimal Mechanism Design via Linear Programming

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Truthful and near optimal mechanism design via linear programming

Truthful and Near-Optimal Mechanism Design via Linear Programming

Ron Lavi – ChaitanyaSwamy

Strumenti della Teoria dei Giochi per l’Informatica

A.A. 2009/2010

Annibale Panichella


Mechanism design

Mechanism Design

  • un insieme di giocatori

  • un insieme di possibili outcomes

  • un insieme di valutazioni private per ogni giocatore

  • una funzione di valutazione con

  • una funzione di scelta sociale

  • un vettore di pagamenti con

  • una funzione utilità


Mechanism design1

Mechanism Design

ASSUNZIONI

  • I giocatori sono egoisti

    • ogni giocatore cerca di massimizzare la propria utilità

    • un giocatore mente se e solo se mentendo aumenta la sua utilità

  • Principio di rivelazione diretta

    • ogni giocatore rivela un proprio valore

      OBIETTIVO

      che spinga i giocatori a rivelare il proprio vero valore

Funzione di scelta sociale

=

+

Meccanismo

Pagamenti


Mechanism design2

Mechanism Design

DEFINIZIONE

Un meccanismo deterministico è compatibile agli incentivi se

  • per ogni giocatore i

  • dove è la valutazione vera di i

    si ha che

qualunque siano le valutazioni degli altri giocatori

L’utilità ottenuta dal giocatore i nel caso in cui dice il vero

L’utilità ottenuta dal giocatore i nel caso in cui dice il falso


Mechanism design3

Mechanism Design

PROBLEMATICHE

  • Il problema su cui si intende definire una funzione di scelta sociale è un problema NP-hard

  • L’algoritmo che implementa la funzione di scelta sociale è un algoritmo non polinomiale

  • Non tutti gli algoritmi portano a meccanismi compatibili agli incentivi


Es asta combinatoria

Es.: Asta Combinatoria

item indivisibili

giocatori

  • m un insieme di item indivisibili da vendere

  • n un insieme di giocatori che competono per appropriarsi di un sottoinsieme degli item

  • il giocatore i ha una funzione di valutazione per ogni sottoinsieme degli item S, che gode delle seguenti proprietà:

    • vi(Ø)=0

    • è non decrescente: per

Maggiore è il numero di item aggiudicati da i e maggiore è la sua valutazione


Es asta combinatoria1

Es.: Asta Combinatoria

OBIETTIVO

Problema di Social-Welfare Maximization (SWM): vogliamo calcolare un’allocazione di item (S1 ,…, Sn) da distribuire tra i giocatori, tale che

  • massimizzi il social welfare

item indivisibili

giocatori

PROBLEMI

  • SWM è un problema NP-hard

  • hanno lunghezza esponenziale: risolvere esattamente SWM può richiedere un numero esponenziale di comunicazioni


Es asta combinatoria2

Es.: Asta Combinatoria

Mechanism Design e Asta Combinatoria

  • Definire un meccanismo

  • La funzione di scelta sociale ƒ è la funzione SWM e va calcolata sui veri valori dei giocatori che non sono pubblici

  • Ogni giocatore cerca di massimizzare la propria utilità

  • Il meccanismo deve essere compatibile agli incentivi

OUTPUT

INPUT

Allocazione

Valutazioni dichiarate

Meccanismo

Pagamenti


Meccanismi vcg

Meccanismi VCG

DOMANDA: data la funzione di scelta sociale ƒ=SWM , esistono dei pagamenti p tali che il meccanismo è compatibile agli incentivi?

RISPOSTA: Sì, i pagamenti VCG(Vickrey-Clarke-Groves) garantiscono la compatibilità agli incentivi.

Qualunque funzione che non dipende dal giocatore i


Meccanismi vcg1

Meccanismi VCG

VCG richiede di calcolare la funzione di scelta sociale ƒ(v), ossia, di risolvere il problema SWM che èNP-hard

E’ necessario usare algoritmi di approssimazione per calcolare la funzione di scelta sociale

Il meccanismo VCG corrispondente NON è computazionalmenteefficiente

VCG non funziona con tutti gli algoritmi di approssimazione


Obiettivo

OBIETTIVO

Mostreremo una tecnica generale per trasformare un algoritmo di approssimazione per problemi SWM di packing in un meccanismo probabilistico, approssimato e compatibile agli incentivi.

Operazioni

Condizioni necessarie

Output

Costruiamo un meccanismo frazionario

Costruiamo un meccanismo di supporto deterministico

Modelliamo il problema tramite la P. L. Intera

Costruiamo un algoritmo c-approssimato

Dimostriamo che l’integrality gap è al più c

Otteniamo un meccanismo c-approssimato,

truthful-in-expectation

Finora ci siamo occupati di Meccanismi Deterministici. L’obiettivo principale di tale costruzione è quello di trasformare un meccanismo deterministico in un Meccanismo Probabilistico avente particolari proprietà.


Meccanismi probabilistici

Meccanismi Probabilistici

Definizioni di Meccanismi Deterministici e di Meccanismi Probabilistici a confronto.


Meccanismi probabilistici1

Meccanismi Probabilistici

DEFINIZIONE

Un meccanismo probabilistico è truthful in expectation (compatibile agli incentivi in aspettativa)se

  • per ogni giocatore i

  • dove è la valutazione vera di i

    si ha che

qualunque siano le d.p. delle valutazioni degli altri giocatori

Il valore atteso dell’utilità ottenuta dal giocatore i nel caso in cui dice il vero

Il valore atteso dell’utilità ottenuta dal giocatore i nel caso in cui dice il falso

Significato intuitivo: se tutti gli altri giocatori dichiarano il valore vero, la best response del giocatore i è di dichiarare il vero


Costruzione generale

Costruzione Generale

Di seguito descriviamo una tecnica generale per ottenere i meccanismi probabilistici che siano “veritieri” (compatibili agli incentivi) in aspettativa, e che garantiscono di raggiungere una buona approssimazione di benessere sociale.

Per studiare concretamente tale tecnica, vedremo come applicarla alle aste combinatorie (CA); tuttavia i risultati ottenibili non perdono di generalità, dato che la tecnica resta sempre valida per gli altri problemi di packing per i quali l’insieme delle possibili valutazioni dei singoli giocatori sono note pubblicamente e la funzione obiettivo è lineare.


Costruzione per ca

Costruzione per CA

Possiamo formulare il problema dell’asta combinatoria come un problema di Programmazione Lineare Intera:

  • dato l’insieme degli item da vendere

  • definiamo una variabile aleatoria xi,S per ogni coppia

    • giocatore i

  • la funzione obiettivo è

se il giocatore i riceve l’insieme di item S

altrimenti

corrisponde alla funzione di Social Welfare


Costruzione per ca1

Costruzione per CA

  • definiamo i seguenti vincoli

Ad ogni giocatore è assegnato al più un solo insieme di item S

per ogni giocatore i

per ogni item j

Ogni item j è assegnato al più ad un solo giocatore

per ogni coppia (i,S)

Vincoli di interezza

PROBLEMA

Sfortunatamente non conosciamo un metodo matematico per risolvere il problema di programmazione lineare intera in tempo polinomiale:la P.L. Intera è un problema NP-hard!


Costruzione per ca2

Costruzione per CA

Invece di risolvere il problema di programmazione lineare intera, risolviamo una versione rilassata del problema, per i quali conosciamo algoritmi polinomiali (ad es. il simplesso):

per ogni giocatore i

soggetta a vincoli

per ogni item j

per ogni coppia (i,S)

Rilassamento continuo

per ogni coppia (i,S)


P l intera e p l non intera

P.L. Intera e P.L. Non Intera

DOMANDA: che relazione c’è tra le soluzioni di un problema di Programmazione Lineare Intera e le soluzioni della sua versione rilassata?

Soluzioni ammissibili della P.L. Intera

Soluzioni ammissibili della P.L. NON Intera

Gli ottimi dei due problemi possono essere diversi


Integrality gap

Integrality Gap

Siano:

  • P l’insieme dei punti della regione ammissibile;

  • l’insieme delle soluzioni intere ;

    l’integrality gapdi P è definito come

Soluzione ottima del problema di P.L. frazionario

Soluzione ottima del problema di P.L. intero

Per i nostri scopi, ci occuperemo dei soli algoritmi di approssimazione che dimostrano un integrality gap IGP ≥ α, il che vuol dire che la soluzione ottima del problema di P.L. Intera è al massimo 1/ αvolte la soluzione ottima del suo rilassamento.


Meccanismi vgc frazionario

Meccanismi VGC frazionario

Meccanismo VCG frazionario è così definito:

  • sia ƒ di scelta sociale del problema SWM

  • sia la soluzione ottima del problema modellato con Programmazione Lineare Frazionaria (ossia del rilassamento di P.L. Intera)

  • sia il vettore delle valutazioni dei giocatori

  • poniamo la funzione di scelta sociale frazionaria

  • definiamo i pagamenti dei singoli giocatori come

Somma delle valutazioni degli altri giocatori j≠i

È una qualsiasi funzione che non dipende da vitale che ui ≥ 0


Normalizzazione

Normalizzazione

Dato un meccanismo VCG frazionario con integrality gap pari ad α≥1, possiamo definire un meccanismo VCG frazionario α-scalato nel seguente modo:

VCG frazionario

VCG frazionario α-scalato

funzione sociale

pagamenti

funzione sociale

pagamenti

OSSERVAZIONE: dato che la funzione di valutazione dei giocatori è una funzione lineare in x ,

VCG frazionario α-scalato è chiaramente compatibile agli incentivi


Normalizzazione1

Normalizzazione

Infatti, supponiamo che il meccanismo frazionario α–scalato è compatibile agli incentivi, abbiamo che

Ne deduciamo che il meccanismo frazionario α–scalato è compatibile agli incentivi se e solo se il meccanismo frazionario MF(ƒF,pF) è compatibile agli incentivi.

Def. di compatibilità agli incentivi per il meccanismo frazionario non scalato


Main decomposition lemma

Main Decomposition Lemma

Dimostreremo che dato un algoritmo Aα-approssimato che dimostra avere un integrality gap pari ad α, possiamo esprimere qualunque soluzione del problema di P.L. frazionaria come combinazione lineare convessa delle soluzioni di P.L. Intera .

Per definizione di combinazione lineare convessa, vogliamo calcolare una sequenza di coefficienti λl per cui

Per ogni coppia (i,S) che costituiscono la soluzione ottima del problema frazionario


Main decomposition lemma1

Main Decomposition Lemma

Riscrivendo il problema come problema di P. L. abbiamo

L’intersezione tra questi due vincoli ci garantisce la ricerca di una soluzione ottima (se esiste) con valore pari a 1

Considerazioni:

Le variabili xi,S sono associate alle coppie (i,S), quindi, il numero il loro è esponenziale 2n•m (dove n è il numero di Item disponibili ed m è il numero di giocatori)

Il numero di vincoli è polinomiale (è pari al numero di variabili in base)


Main decomposition lemma2

Main Decomposition Lemma

Dato che tale problema non può essere risolto efficientemente, ci concentriamo sul suo problema Duale:

Primale

Duale


Main decomposition lemma3

Main Decomposition Lemma

Il problema duale presenta le seguenti caratteristiche

Duale

Le variabili wi,S possono essere viste come valutazioni

Il numero di variabili è polinomiale (è pari al numero di coppie (i,S) a cui è associata una variabile xi,S* del primale che si trovano in base, cioè xi,S*>0)

Il numero di vincoli è esponenziale 2n•m (dove n è il numero di Item disponibili ed m è il numero di giocatori)

Corrisponde alla funzione di scelta sociale del meccanismo frazionario α-scalato.


Main decomposition lemma4

Main Decomposition Lemma

  • Dalla dualità forte, si sa che il Primale ha una soluzione ottima finita se e solo se anche il suo Duale ha una soluzione ottima finita, e in questo caso i rispettivi valori delle funzioni obiettivo coincidono

  • Dalla dualità debole è noto che per ogni soluzione finita x del primale e y del duale, vale

  • Dalla proprietà dei problemi di packing, sappiamo che se


Main decomposition lemma5

Main Decomposition Lemma

Significato intuitivo: possiamo trasformare il problema duale che ha le variabili wnon vincolate, in un problema equivalente con variabiliw+≥0

PROPOSIZIONE 1

Siano

Possiamo ottenere una nuova soluzione tale che

DIMOSTRAZIONE

Poniamo , che implica che ; dato che

per la proprietà di packing anche


Main decomposition lemma6

Main Decomposition Lemma

PROPOSIZIONE 2

Siano

possiamo calcolare in tempo polinomiale xl ∈Z(P) tale che

DIMOSTRAZIONE

Dato che il problema utilizza delle valutazioni non negative w+, abbiamo che

Tuttavia, le valutazioni w+ non sono monotone. Tramite le Proposizione 1, possiamo definire delle nuove valutazioni monotone wltale che


Main decomposition lemma7

Main Decomposition Lemma

MainDecomposition Lemma

Possiamo calcolare in tempo polinomiale i coefficienti λl che consentono di esprimere l’insieme delle soluzioni ottime del problema di P.L. frazionaria come combinazione lineare convessa delle soluzioni di P.L. Intera

DIMOSTRAZIONE

Dimostriamo che il valore ottimo del problema duale, e quindi del suo primale (dualità forte), è esattamente 1. Supponiamo per assurdo che il valore ottimo del duale è maggiore di


Main decomposition lemma8

Main Decomposition Lemma

Attraverso la Proposizione 2possiamo definire un insieme di valutazioni monotone wi,S per le xi,Sl tale che

Che contraddice il vincolo del problema duale.

In questo modo, abbiamo dimostrato che il valore ottimo è esattamente 1: la soluzione del problema duale restituisce i coefficienti λldi combinazione lineare convessa. Per calcolare in tempo polinomiale tali coefficienti, possiamo risolvere il problema duale mediante il metodo dell’ellissoide (che risolve qualunque istanza il problema di P.L. in tempo polinomiale).


Meccanismo di supporto deterministico

Meccanismo di supporto deterministico

Tramite il lemma precedente, possiamo esprimere la soluzione del problema di P.L. Frazionaria α-scalato , ossia , come combinazione lineare convessa della soluzione ottima del problema di P.L. Intera .

  • DEFINIZIONE

  • Un meccanismo di supporto deterministico MD sarà così costituito

  • la funzione di scelta sociale

  • i prezzi sono gli stessi del mecc. fraz. α-approssimato


Propriet dei meccanismi m d

Proprietà dei meccanismi MD

LEMMA:il meccanismo C è compatibile agli incentivi e calcola una α-approssimazione del social welfare.

DIMOSTRAZIONE: dimostriamo che MD è equivalente ad un Meccanismo VCG frazionario α-scalato e ne conserva tutte le proprietà. Per qualche il valore del giocatore i risulta essere

Dato che anche i pagamenti sono α-scalati , il meccanismo MD è compatibile agli incentivi. Tale compatibilità garantisce anche una α-approssimazione

Ottimo frazionario


Teorema

Teorema

Dato un meccanismo deterministicoMDdi supporto, compatibile agli incentivi e che calcola una α-approssimazione del social welfare

con un numero polinomiale di coefficienti λj ≥ 0, possiamo ottenere in tempo polinomiale un meccanismo probabilistico MR che è veritiero (compatibile agli incentivi) in aspettativa e che calcola una α-approssimazione del social welfare

Coefficienti di combinazione lineare convessa della soluzione ottima di P.L. Intera

Prezzi α-scalati


Meccanismi probabilistici2

Meccanismi Probabilistici

A partire dal meccanismo di supporto deterministico MD è possibile costruire un Meccanismo Probabilistico MR nel seguente modo

Meccanismo MR

Meccanismo MD

La funzione sociale è La funzione di scelta sociale ƒR è una variabile aleatoria con distribuzione di probabilità pari a ƒD

La funzione sociale è

Sono anche le proprietà di una funzione di probabilità secondo Kolmogorov

Sono i coefficienti di combinazione convessa


Meccanismi probabilistici3

Meccanismi Probabilistici

Meccanismo MR

Il giocatore i paga

per ogni giocatore i

Meccanismo MD

Il giocatore i paga

per ogni giocatore i

I pagamenti vengono definiti in questo modo per garantire che l’utilità dei giocatori siano non negativi ui=vi-pi

Variabile Aleatoria

Scalare


Meccanismi probabilistici4

Meccanismi Probabilistici

Per il meccanismo probabilistico definito, valgono le seguenti proprietà

  • l’utilità

Un meccanismo probabilistico MR è compatibile agli incentivi in aspettativa se e solo se il meccanismo di supporto deterministico corrispondente è compatibile agli incentivi.


Risultato finale

Risultato Finale

Il meccanismo probabilistico MR definito in precedenza è compatibile agli incentivi in aspettativa e calcola una α-approssimazione della soluzione ottima di Social Welfare Maximization in tempo polinomiale.


Ricapitolando

Ricapitolando

Operazioni per costruire il Meccanismo Probabilistico

  • modelliamo il problema tramite P.L. Intera

  • risolviamo il suo rilassamento (P.L. Frazionaria)

  • verifichiamo l’Integrality Gap IG ≥ α

  • definiamo il meccanismo frazionario MF(ƒF,pF)

  • definiamo il meccanismo frazionario MF(ƒF,pF) α-scalato

  • calcoliamo i coefficienti di combinazione lineare convessa (Decomposition Lemma) tramite il metodo dell’ellissoide

  • definiamo il meccanismo deterministico di supporto MD(ƒD,pD) α-approssimato

  • definiamo il meccanismo probabilistico MR(ƒR,pR)


Esempio

Esempio

Vediamo come costruire un meccanismo probabilistico approssimato e “veritiero” in aspettativa per le Multi-Unit Combinatorial Auctions.

  • Formalmente una MUCA è così definita:

  • m un insieme di item indivisibili da vendere

  • B copie dello stesso item

  • n un insieme di giocatori che competono per appropriarsi di un sottoinsieme degli item

  • il giocatore i ha una funzione di valutazione per ogni sottoinsieme degli item S, che gode delle seguenti proprietà:

    • vi(Ø)=0

    • è non decrescente: per


Truthful and near optimal mechanism design via linear programming 1349896

MUCA

  • Ogni giocatore può aggiudicarsi più copie dello stesso item

  • Le valutazioni di un giocatore i per due copie dello stesso item sono uguali

  • Se B=1 parliamo di Asta Combinatoria

    OBIETTIVO

    Problema di Social-Welfare Maximization (SWM): vogliamo calcolare un’allocazione di item (S1 ,…, Sn) da distribuire tra i giocatori, tale da massimizzi il social welfare


Costruzione di m r per muca

Costruzione di MR per MUCA

A questo punto, vediamo le operazioni da effettuare per costruire un MR

  • modelliamo il problema di MUCA tramite P.L. Intera

per ogni giocatore i

per ogni item j

soggetta a vincoli

per ogni coppia (i,S)

Ogni item ha B copie


Costruzione di m r per muca1

Costruzione di MR per MUCA

  • risolviamo il suo rilassamento (P.L. Frazionaria)

per ogni giocatore i

soggetta a vincoli

per ogni item j

per ogni coppia (i,S)

Rilassamento continuo

per ogni coppia (i,S)


Costruzione di m r per muca2

Costruzione di MR per MUCA

  • verifichiamo l’Integrality Gap

Dagli studi di Algoritmi deterministici, sappiamo che la versione del problema di P.L. rilassata ha I’Integrality Gap

M = # di item

B = # istanze dello stesso item

definiamo il meccanismo frazionario MF(ƒF,pF) la cui funzione di scelta sociale ƒF= ottimo frazionario e i pagamenti sono


Costruzione di m r per muca3

Costruzione di MR per MUCA

definiamo il meccanismo frazionario MF(ƒF,pF)

  • Grazie al Main Decomposition Lemma sappiamo che le soluzioni frazionarie di P.L. possono essere scritte come combinazione lineare convessa delle soluzioni di P.L. intera

calcoliamo i coefficienti di combinazione lineare convessa {λl} tramite il metodo dell’ellissoide in tempo polinomiale.


Costruzione di m r per muca4

Costruzione di MR per MUCA

Definiamo il meccanismo deterministico di supporto

  • A partire dal meccanismo deterministico di supporto, definiamo il corrispondente meccanismo probabilistico MR(ƒR,pR) che sarà

    • Compatibile agli incentivi in aspettativa

    • Con complessità polinomiale


  • Login