Contest Design with Threshold Objectives（博弈论+机制设计） 论文阅读笔记

一、基本信息

• 题目：带有门限目标函数的竞赛设计
• 作者：Edith Elkind、Abheek Ghosh、Paul W. Goldberg

二、文章摘要

• 以下内容取自原文摘要部分：
• 我们研究的是一种竞赛，该种竞赛的目标函数是在已经广泛研究的目标函数——最大化输出的基础上拓展的，并且当参赛者的输出水平非常低或者非常高时设计者的边际效用为0。我们考虑两种变体，换言之两种目标函数：二进制门限值（超过门限值对设计者产生1的效用，反之产生0的效用）、线性门限值（在两个门限值之间产生效用与输出成线性关系，其他情况下为常数）。对于这两种目标函数，我们分别研究两种竞赛：rank-order allocation contest（奖项分配只基于参赛者的排名）以及general contest（使用参赛者输出的数字值去分配奖项）。我们分析研究最优化竞赛的性质，并且指出一些有效计算均衡的技巧。我们也证明了在一定情况下，对于线性门限值目标函数，某种ranl-order allocation contest可以接近于最优ranl-order allocation contest。
• 我的总结：本文的核心贡献在于，针对竞赛设计者提出了两种不同的目标函数，并且将两种目标函数分别在Rank-Order Allocation Contest和General Contest的设置下研究其最优竞赛性质。

三、核心模型

• 基础设定：共有$n$位参赛者。$v=(v_1,v_2,...,v_n)$是参赛者的能力组合，$v_i$独立产生于分布$F$，并且该分布的概率密度函数（PDF）记为$f$。参赛者同时产生输出$b=(b_1,b_2,...,b_n)$。接下来模型的细节将会分两类叙述。

3.1 Rank-Order Allocation Contests

• 竞赛有$n$个价值递减的奖项$w=(w_1,w_2,...,w_n),1\ge w_1\ge w_2...\ge w_n\ge 0$（对于unit-sum模型来说，额外要求${\sum }_j{w}_j\le 1$）。参赛者根据其输出的排名顺序获得相应奖项。拥有最高输出的参赛者获得$w_1$，拥有第二高输出的参赛者获得$w_2$，以此类推。
• 具体来说，参赛者牺牲代价cost，结合自身type产生output参与排名。即output=cost*type。因此效用函数可以表示如下。其中$P_{ij}$表示参赛者$i$获得第$j$个奖项的概率。为了简化形式，式子两边同乘$v_i$得到下式。
  u ( v i , b ) = ∑ j ∈ [ n ] w j P i j − b i v i u ( v i , b ) = v i ∑ j ∈ [ n ] w j P i j − b i P i j = 1 ˉ { b i = b i j } ∣ { k ∣ b k = b i j } ∣ u(v_i,b)=\sum_{j\in [n]}w_jP_{ij}-\frac{b_i}{v_i}\\ u(v_i,b)=v_i\sum_{j\in[n]}w_jP_{ij}-b_i\\ P_{ij}=\frac{\bar{1}\{b_i=b_{ij}\}}{|\{k|b_k=b_{ij}\}|} u(vi​,b)=j∈[n]∑​wj​Pij​−vi​bi​​u(vi​,b)=vi​j∈[n]∑​wj​Pij​−bi​Pij​=∣{k∣bk​=bij​}∣1ˉ{bi​=bij​}​
• 我们令$p_j(v)$表示值$v$在分布$F$下独立取样是第$j$高的概率，形式化表述如下。（解释一下，$F(v)$表示独立取样值小于等于$v$的概率，那么值$v$是第$j$个大，就有$j-1$个大于$v$，其余小于$v$，由此而得）$n$个独立同分布抽样获得第$j$高的统计结果的概率密度函数如下。
  $$\begin{gathered} p_j(v)=\left(\genfrac{}{}{0ex}{}{n-1}{j-1}\right)F(v{)}^{n-j}(1-F(v){)}^{j-1} \\ {f}_{n,j}(v)=\frac{n!}{(j-1)!(n-j)!}F(v{)}^{n-j}(1-F(v){)}^{j-1}f(v) \end{gathered}$$
• 定理1表明：在上述环境设定下，唯一的贝叶斯纳什均衡由下式定义。（决策在于，输入类型，输出最优的输出值（output）。也就是说结合自身类型，选定最优代价，产生最优输出值。）
  $$\beta (v)=\sum _{j\in [n]}{w}_j{\int }_0^{v}t{p}_j^{\prime }(t)dt$$
• 何为简单竞赛（Simple Contest）？如果存在一个$j$，使得排名前$j$个参赛者每人被分配一个相等的正值奖项，其余参与者获得$0$奖励。

3.2 General Contests

• $x_i(v)$表示在接受能力组合$v$后，参赛者$i$获得的期望奖项价值。无论是unit-range/unit sum，都要求$0\le x_i(v)\le 1$，另外对于unit-sum还要求${\sum }_i{x}_i(v)\le 1$。因此相比之下，unit-range更加简单，因为其可以独立优化每位参赛者的决策。
• 分配规则$x(v)=(x_1(v),...,x_n(v))$，假设分配规则是对称的，也就是说相同输出不同参与者对应的期望收益是相等的。期望分配函数设计为$\xi (v)=E[x_i(v)|v_i=v]$。贝叶斯纳什均衡下的输出函数为：
  $$\beta (v)=v\xi (v)-{\int }_o^v\xi (t)dt$$
• 定理2：任何非减的期望分配函数$\xi$满足下式，是可以被某些满足unit-sum约束的分配函数$x$所实现的。
  $${\int }_V^1\xi (v)f(v)dv\le \frac{1-F(V{)}^n}{n}$$

3.3 Objective Functions

• 接下来形式化定义两种目标函数，分别是二进制门限目标函数（binary threshold）以及线性门限目标函数（linear threshold）

• Binary Threshold Objective
  二进制门限目标函数的意思是，如果输出值大于$B$那么其对于竞赛设计者产生的效用为1，如果输出值小于$B$那么其对于竞赛设计者产生的效用为0。
  

• Linear Threshold Objective
  线性门限值目标函数的含义是，在$B_L$与$B_H$之间的输出值与所产生的效应之间存在着线性关系。
  

四、分析过程

• 细节较多…

五、本文总结

• （future work）本文中，我们关注于两个自然且实用的竞赛设计者的目标函数，并且我们为这两种目标函数都设计了最优竞赛。一个有趣的开放问题是，一个没有既定输出的竞赛，或者说一个rank-order allocation contest，可以多大程度上接近于general contest的最优程度。另外一个该工作的拓展是研究其他实际的竞赛设计者的目标函数，单调转换形式与本文研究的门限转化形式不同。结合本文对于设计者目标函数的研究以及非线性效用、代价函数也是一个有趣的研究方向。