Multidimensional Budget-Feasible Mechanism Design
Notice bibliographique
Résumé
In budget-feasible mechanism design, a buyer wishes to procure a set of items of maximum value from self-interested players. We have a valuation function $v:2^U \to \mathbb{R}_+$, where $U$ is the set of all items, where $v(S)$ specifies the value obtained from set $S$ of items. The entirety of current work on budget-feasible mechanisms has focused on the single-dimensional setting, wherein each player holds a single item $e$ and incurs a private cost $c_e$ for supplying item $e$. We introduce multidimensional budget feasible mechanism design: the universe $U$ is now partitioned into item-sets $\{G_i\}$ held by the different players, and each player $i$ incurs a private cost $c_i(S_i)$ for supplying the set $S_i\subseteq G_i$ of items. A budget-feasible mechanism is a mechanism that is truthful, and where the total payment made to the players is at most some given budget $B$. The goal is to devise a budget-feasible mechanism that procures a set of items of large value. We obtain the first approximation guarantees for multidimensional budget feasible mechanism design. Our contributions are threefold. First, we prove an impossibility result showing that the standard benchmark used in single-dimensional budget-feasible mechanism design, namely the algorithmic optimum is inadequate in that no budget-feasible mechanism can achieve good approximation relative to this. We identify that the chief underlying issue here is that there could be a monopolist which prevents a budget-feasible mechanism from obtaining good guarantees. Second, we devise an alternate benchmark, $OPT_{Bench}$, that allows for meaningful approximation guarantees, thereby yielding a metric for comparing mechanisms. Third, we devise budget-feasible mechanisms that achieve constant-factor approximation guarantees with respect to this benchmark for XOS valuations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».