【论文阅读】Send Mixed Signals – Earn More, Work Less

github博客文章链接

Abstract

考虑多类型的单物品拍卖，且所有买家的价值已知，并假定使用二价拍卖。文章说明了混合信号策略比纯信号策略收益更高，给出了计算最优混合信号策略的线性规划，并将其变量数降至多项式级别，因此能在多项式时间内求解。同时证明了使用最优信号策略的收益对某个指标有很好的近似比。证明中利用了混合信号策略等价于多个可分割物品拍卖的性质。

Motivation

在信息不对称的情形下，即卖家拥有私有信息，为了最大化自己的收益，卖家通过信号的形式透露部分信息是很合理的方式。相较于纯信号策略，显然使用混合的信号策略效果不会更差。

Model

有一个物品和 $n$ 个买家。物品有 $m$ 种类型，服从概率分布 $(p_1,\cdots ,p_m)$。买家 $i$ 对类型 $j$ 的价值是 $v_{i,j}$，其中 $v$ 和 $p$ 都是公有信息。卖家要预先提供一个信号策略 $\phi :[m]\times \mathbb{N}\to [0,1]$ 并告知买家，其中 $\phi (j,S)$ 表示当卖家观测到物品类型为 $j$ 时发送信号 $S$ 的概率。后文中 $S$ 也可以表示所有可能发送信号 $S$ 的类型集合，即 { j : φ ( j , S ) > 0 } \{j:\varphi(j,S)>0\} {j:φ(j,S)>0}。令 ${\mathcal{S}}_{\phi }$ 表示有效的信号集合，即 { S : ∃ j , φ ( j , S ) > 0 } \{S:\exist j,\varphi(j,S)>0\} {S:∃j,φ(j,S)>0}。默认使用二价拍卖。

纯信号策略是指卖家观测到物品类型 $j$ 后，发送的信号固定，即 φ ( j , S ) ∈ { 0 , 1 } \varphi(j,S)\in\{0,1\} φ(j,S)∈{0,1}。纯信号策略等价于对类型进行二次分类，并告知买家属于哪一个类。混合信号策略是指以某个概率分布发送信号。那么买家收到信号 $S$ 的概率为 ${\sum }_j{p}_j\phi (j,S)$。收到信号 $S$ 后，物品类型为 $j$ 的概率
$$\mathrm{Pr}[j|S]=\frac{p_j\phi (j,S)}{{\sum }_{j^{\prime }}{p}_{j^{\prime }}\phi (j^{\prime },S)}$$
因此收到信号 $S$ 后，买家 $i$ 的期望收益变为
$$E[v_i|S]=\sum _j\mathrm{Pr}[j|S]v_{i,j}=\frac{{\sum }_j{v}_{i,j}{p}_j\phi (j,S)}{{\sum }_{j^{\prime }}{p}_{j^{\prime }}\phi (j^{\prime },S)}$$
由于二价拍卖中，买家的最优策略为采取真实报价，因此收到信号 $S$ 后，卖家的收益为
max ⁡ i 2 { E [ v i ∣ S ] } = max ⁡ i 2 { ∑ j v i , j p j φ ( j , S ) ∑ j p j φ ( j , S ) } \max_i2\{E[v_i|S]\}=\max_i2\left\{\frac{\sum_jv_{i,j}p_j\varphi(j,S)}{\sum_{j}p_{j}\varphi(j,S)}\right\} imax​2{E[vi​∣S]}=imax​2{∑j​pj​φ(j,S)∑j​vi,j​pj​φ(j,S)​}
我们想要找到 $\phi$ 来最大化卖家的总收益
∑ S ∈ S φ Pr ⁡ [ S ] max ⁡ i 2 { E [ v i ∣ S ] } = ∑ S ∈ S φ { ∑ j v i , j p j φ ( j , S ) } = ∑ S ∈ S φ { ∑ j ψ i , j φ ( j , S ) } \sum_{S\in\mathcal{S}_\varphi}\Pr[S]\max_i2\{E[v_i|S]\}=\sum_{S\in\mathcal{S}\varphi}\left\{\sum_jv_{i,j}p_j\varphi(j,S)\right\}=\sum_{S\in\mathcal{S}\varphi}\left\{\sum_j\psi_{i,j}\varphi(j,S)\right\} S∈Sφ​∑​Pr[S]imax​2{E[vi​∣S]}=S∈Sφ∑​{j∑​vi,j​pj​φ(j,S)}=S∈Sφ∑​{j∑​ψi,j​φ(j,S)}
其中 ${\psi }_{i,j}=v_{i,j}{p}_j$。

可分割多物品拍卖的等价模型

对于按照混合信号策略 $\phi$ 来发送信号，考虑如下等价模型：有 $m$ 个物品和 $n$ 个买家，物品是可分割的（例如蛋糕）。第 $i$ 个买家对第 $j$ 个物品的价值为 ${\psi }_{i,j}$。对于任意 $S\in {\mathcal{S}}_{\phi }$，将其看成包含了多个物品的混合，其中 $S$ 包含了第 $j$ 个物品的 ${\phi }_{j,S}$ 比例。然后对每个混合 $S$ 分别进行二价拍卖。

容易看出混合信号策略和多物品拍卖中的物品划分方案一一对应，且卖家的收益相同。因此计算最优混合信号策略等价于寻找多物品拍卖的最优划分方案。

混合信号策略收益大于纯信号策略

下面的构造可以说明：对任意偶数 $k$，存在一个有 $n=k+1$ 个买家和 $m=k+1$ 种物品类型的拍卖，使得混合信号策略的收益至少是纯信号策略收益的两倍。

将买家和信号均按照 $0,\cdots ,k$ 编号，所有物品类型等概率出现，价值函数为
$$v_{i,j}=\{\begin{array}{ll}m& i=j=0\\ 1& i=j\ne 0\\ 0& otherwise\end{array}$$
则最优的纯信号策略必然是将物品类型两两捆绑。因为若某个物品不捆绑，则其收益为 $0$；将 $s$ 个物品捆绑后，其中每个物品收益为 $1/s$。注意到 $k$ 是偶数，那么有 $\frac{k}{k+1}$ 的概率，卖家的收益是 $1/2$，即期望收益为 $\frac{k}{2(k+1)}$。

考虑如下混合信号策略：信号集合为 { 0 , j } j = 1 , ⋯   , k \{0,j\}_{j=1,\cdots,k} {0,j}j=1,⋯,k​。对于任意 $j$， Pr ⁡ [ { 0 , j } ∣ type  0 ] = 1 k \Pr[\{0,j\}|\text{type }0]=\frac{1}{k} Pr[{0,j}∣type 0]=k1​ 并且 Pr ⁡ [ { 0 , j } ∣ type  j ] = 1 \Pr[\{0,j\}|\text{type }j]=1 Pr[{0,j}∣type j]=1。容易计算得到卖家对每个信号的收益都是 $\frac{k}{k+1}$。

最优混合策略的计算

一些记号

对于信号 $S$，令 $w_1(S)$ 表示在多个可分割物品拍卖中赢得了混合 $S$ 的买家编号，$w_2(S)$ 表示对 $S$ 估价第二高的买家编号。具体来说：
w 1 ( S ) = arg ⁡ max ⁡ i { ∑ j ∈ S ψ i , j φ j , S } w_1(S)=\arg\max_i\{\sum_{j\in S}\psi_{i,j}\varphi_{j,S}\} w1​(S)=argimax​{j∈S∑​ψi,j​φj,S​}

w 2 ( S ) = arg ⁡ max ⁡ i 2 { ∑ j ∈ S ψ i , j φ j , S } w_2(S)=\arg\max_i2\{\sum_{j\in S}\psi_{i,j}\varphi_{j,S}\} w2​(S)=argimax​2{j∈S∑​ψi,j​φj,S​}

称 $S$ 是单独的如果 $|S|=1$。记 w 1 ( j ) = w 1 ( { j } ) , w 2 ( j ) = w 2 ( { j } ) w_1(j)=w_1(\{j\}),w_2(j)=w_2(\{j\}) w1​(j)=w1​({j}),w2​(j)=w2​({j})。令 $d(i)$ 表示所有 $i$ 估价最高的物品类型的集合，即 d ( i ) = { j : w 1 ( j ) = i } d(i)=\{j:w_1(j)=i\} d(i)={j:w1​(j)=i}。记 $rev(S)$ 表示混合 $S$ 的收益，即 $rev(S)={\sum }_{j\in S}{\phi }_{j,S}{\psi }_{w_2(S),j}$。同样令 r e v ( j ) = r e v ( { j } ) rev(j)=rev(\{j\}) rev(j)=rev({j})。卖家采取信号策略 $\phi$ 的收益为 $rev(\phi )={\sum }_{S\in {\mathcal{S}}_{\phi }}rev(S)$。

最优混合信号策略的性质

注意到对于两个信号 $S$ 和 $T$，如果 $w_1(S)=w_1(T)$ 且 $w_2(S)=w_2(T)$，那么把这两个信号合并成一个后，卖家的收益并不会发生改变。因此必然存在一种最优混合信号策略，使得使用信号的数量不超过 $n(n-1)$。

下面考虑更多的性质。

Definition 4.2

给定信号策略 $\phi$ 后，称信号 $S$ 是可分如果存在划分 $S=S_1\cup S_2\cup \cdots \cup S_t$，使得 ${\sum }_{k=1}^{t}rev(S_k)\ge rev(S)$。称 $S$ 是单独可分的如果 ${\sum }_{j\in S}rev(j)\ge rev(S)$。

Claim 4.3

令 $S$ 是在最优混合信号策略中的一个单独不可分的信号，即 $rev(S)>{\sum }_{j\in S}{\phi }_{j,S}rev(j)$。那么 $w_1(S)$ 和 $w_2(S)$ 在那些赢得了 $S$ 中某个物品的买家集合中，即 { w 1 ( j ) : j ∈ S } \{w_1(j):j\in S\} {w1​(j):j∈S}。

证明 假设 $w_1(S)$ 不属于 { w 1 ( j ) : j ∈ S } \{w_1(j):j\in S\} {w1​(j):j∈S}，那么对于任意 $j\in S$，对它的第二高的估价至少是 $w_1(S)$ 对它的估价。因此
$$\sum _{j\in S}{\phi }_{j,S}rev(j)\ge \sum _{j\in S}{\phi }_{j,S}{\psi }_{w_1(S),j}\ge \sum _{j\in S}{\phi }_{j,S}{\psi }_{w_2(S),j}=rev(S)$$
矛盾。同理可证 $w_2(S)$ 也满足。

Corollary 4.4

对于信号 $S$，若 ∣ { w 1 ( j ) : j ∈ S } ∣ = 1 |\{w_1(j):j\in S\}|=1 ∣{w1​(j):j∈S}∣=1，那么 $S$ 是单独可分的。

---

那么不可分的信号 $S$ 满足 { w 1 ( s ) : j ∈ S } \{w_1(s):j\in S\} {w1​(s):j∈S} 大小至少为 $2$。接下来再证明不存在不可分的信号 $S$ 满足 ∣ { w 1 ( j ) : j ∈ S } ∣ ≥ 3 |\{w_1(j):j\in S\}|\ge 3 ∣{w1​(j):j∈S}∣≥3。

Claim 4.5

不存在不可分的信号 $S$ 满足 ∣ { w 1 ( j ) : j ∈ S } ∣ ≥ 3 |\{w_1(j):j\in S\}|\ge 3 ∣{w1​(j):j∈S}∣≥3。

证明 反证。不妨设 $1=w_1(S),2=w_2(S)$，可知 1 , 2 ∈ { w 1 ( j ) : j ∈ S } 1,2\in \{w_1(j):j\in S\} 1,2∈{w1​(j):j∈S}，且 $rev(S)={\sum }_{j\in S}{\psi }_{2,j}\phi (j,S)$。往证 $S$ 是可分的。

令 $S_1=S\cap d(1),S_2=S\cap d(2)$。由假设可知 $S_1\cup S_2\ne S$。将 $S$ 划分成 $(S_1\cup S_2)$ 以及 $|S\backslash (S_1\cup S_2)|$ 个单独的信号，总共是 $|S\backslash (S_1\cup S_2)|+1$ 个信号。

首先考虑那些单独的信号带来的收益。由于买家 $1$ 和买家 $2$ 对这些物品的估价都不是最高的，那么这些信号的收益至少是买家 $1$ 或买家 $2$ 对这些信号的估价之和，即
∑ j ≠ S 1 ∪ S 2 r e v ( j ) ≥ max ⁡ { ∑ j ∈ S \ ( S 1 ∪ S 2 ) φ j , S ψ 1 , j , ∑ j ∈ S \ ( S 1 ∪ S 2 ) φ j , S ψ 2 , j } \sum_{j\neq S_1\cup S_2}rev(j)\ge\max\{\sum_{j\in S\backslash (S_1\cup S_2)}\varphi_{j,S}\psi_{1,j},\sum_{j\in S\backslash (S_1\cup S_2)}\varphi_{j,S}\psi_{2,j}\} j​=S1​∪S2​∑​rev(j)≥max{j∈S\(S1​∪S2​)∑​φj,S​ψ1,j​,j∈S\(S1​∪S2​)∑​φj,S​ψ2,j​}
对于 $S_1\cup S_2$ 的信号收益，买家 $1$ 和 $2$ 中至少有一人对该信号的估价不是最大的。无论是哪种，结合上面的不等式都可以得到，进行上述划分后，卖家的收益不会变得更低。

---

结合上面两个 Claim，我们有如下推论：

Corollary 4.6

若 $S$ 是不可分的信号，那么 { w 1 ( j ) : j ∈ S } = { w 1 ( S ) , w 2 ( S ) } \{w_1(j):j\in S\}=\{w_1(S),w_2(S)\} {w1​(j):j∈S}={w1​(S),w2​(S)}。换句话说，$supp(S)\subseteq d(w_1(S))\cup d(w_2(S))$。

Observation 4.7

存在一个最优混合信号策略，使得对于任意非单独的信号 $S$，$w_1(S)$ 和 $w_2(S)$ 对 $S$ 的估价是相等的。

证明 假设对于信号 $S$，$w_1(S)$ 对 $S$ 的估价大于 $w_2(S)$ 对 $S$ 的估价。令 $S_1=S\cup d(1),S_2=S\cup d(2)$。由之前的结论可知 $S=S_1\cup S_2$ 且 $S_1$ 和 $S_2$ 均非空。令
$$g=\frac{{\sum }_{j\in S_2}{\phi }_{j,S}({\psi }_{2,j}-{\psi }_{1,j})}{{\sum }_{j\in S_1}{\phi }_{j,S}({\psi }_{1,j}-{\psi }_{2,j})}$$
由假设
$$\sum _{j\in S}\phi (j,S){\psi }_{1,j}>\sum _{j\in S}\phi (j,S){\psi }_{2,j}$$
可知 $g<1$。构造新信号策略 ${\phi }^{\prime }$ 如下：对于 $j\in S_1$，降低观测到 $j$ 后发送 $S$ 的概率：${\phi }^{\prime }(j,S)=g\cdot {\phi }_{j,S}$；相应地则增加发送信号 { j } \{j\} {j} 的概率： φ ′ ( j , { j } ) = φ j , { j } + ( 1 − g ) ⋅ φ j , S \varphi'(j,\{j\})=\varphi_{j,\{j\}}+(1-g)\cdot\varphi_{j,S} φ′(j,{j})=φj,{j}​+(1−g)⋅φj,S​。注意到在 ${\phi }^{\prime }$ 中，买家 $1$ 和买家 $2$ 对 $S$ 的估价分别为
$$g\sum _{j\in S_1}\phi (j,S){\psi }_{1,j}+\sum _{j\in S_2}\phi (j,S){\psi }_{1,j},g\sum _{j\in S_1}\phi (j,S){\psi }_{2,j}+\sum _{j\in S_2}\phi (j,S){\psi }_{2,j}$$
由相减为 $0$ 可知买家 $1$ 和 $2$ 对 $S$ 的估价相等

再证卖家在 ${\phi }^{\prime }$ 下的收益不会降低：信号 { j } \{j\} {j} 的收益改变量为
$$(1-g){\phi }_{j,S}rev(j)=(1-g){\phi }_{j,S}{\psi }_{1,j}\ge (1-g){\phi }_{j,S}{\psi }_{2,j}$$
信号 $S$ 的收益至少是买家 $1$ 和买家 $2$ 对 $S$ 的估价取 $\min$。可知卖家的收益并不会降低。

线性规划求解最优混合信号策略

因此可以用如下线性规划求解最优混合信号策略：
$$\max \sum _j{x}_j{\psi }_{w_2(j),j}+\sum _{i_1}\sum _{i_2<i_1}\sum _{j\in d(i_1)\cup d(i_2)}{y}_j(i_1,i_2){\psi }_{i_2,j}$$
限制为
$$\begin{array}{rlr}& \forall i_1,\forall i_2<i_1& \sum _{j\in d(i_1)\cup d(i_2)}{y}_j(i_1,i_2){\psi }_{i_1,j}\ge \sum _{j\in d(i_1)\cup d(i_2)}{y}_j(i_1,i_2){\psi }_{i_2,j}\\ & \forall i_1,\forall i_2<i_1\text{, and }i\ne i_1,i_2& \sum _{j\in d(i_1)\cup d(i_2)}{y}_j(i_1,i_2){\psi }_{i_1,j}\ge \sum _{j\in d(i_1)\cup d(i_2)}{y}_j(i_1,i_2){\psi }_{i,j}\\ & & \sum _{j\in d(i_1)\cup d(i_2)}{y}_j(i_1,i_2){\psi }_{i_2,j}\ge \sum _{j\in d(i_1)\cup d(i_2)}{y}_j(i_1,i_2){\psi }_{i,j}\\ & \forall j& x_j+\sum _{i_1}\sum _{i_2<i_1}[j\in d(i_1)\cup d(i_2)]y_j(i_1.i_2)\le 1\\ & \forall j,\forall i_1,\forall i_2<i_1& x_j\ge 0,y_j(i_1,i_2)\ge 0\end{array}$$
其中 $y_j(i_1,i_2)$ 表示 $\phi (j,S)$，其中 $w_1(S)=i_1,w_2(S)=i_2$。$x_j$ 表示 φ ( j , { j } ) \varphi(j,\{j\}) φ(j,{j})。只需要考虑 $i_2<i_1$ 是因为存在最优策略，满足 $i_2$ 和 $i_1$ 对 $S$ 的估价相等。

最优混合信号策略收益的近似

文章中考虑了这样一个 benchmark：
$$\mathcal{B}=\underset{i^{\prime }}{\min }\left(\sum _j\underset{i\ne i^{\prime }}{\max }{\psi }_{i,j}\right)$$
并证明了最优策略的收益至少是 $\mathcal{B}/2$。由于证明是没什么意思且比较复杂，这里就不赘述了。