Learning to Manipulate under Limited Information

要約

社会的選択理論の古典的な結果によれば、合理的な優先投票方法は、個人に不誠実な優先を報告するインセンティブを与えることがあります。
さまざまな投票方法がそのような戦略的操作に対して多かれ少なかれどの程度耐性があるかが、投票方法を比較する際の重要な考慮事項となっています。
ここでは、他の有権者がどのように投票するかについてのさまざまな種類の限られた情報を前提として、さまざまなサイズのニューラル ネットワークが、期待に基づいて特定の投票方法を有益に操作する方法を学習できるかどうかによって、操作に対する耐性を測定します。
私たちは、有権者 5 ～ 21 人、候補者 3 ～ 6 人の委員会規模の選挙において、6 種類の限られた情報の下で、8 つの異なる投票方法に対して操作できるように、26 サイズの約 40,000 個のニューラル ネットワークをトレーニングしました。
Borda などの一部の投票方法は限られた情報を持つネットワークによって非常に操作可能ですが、インスタントランオフなどの他の投票方法は、完全な情報を備えた理想的な操作者によって非常に有利に操作されるにもかかわらず、そうではないことがわかりました。

要約(オリジナル)

By classic results in social choice theory, any reasonable preferential voting method sometimes gives individuals an incentive to report an insincere preference. The extent to which different voting methods are more or less resistant to such strategic manipulation has become a key consideration for comparing voting methods. Here we measure resistance to manipulation by whether neural networks of varying sizes can learn to profitably manipulate a given voting method in expectation, given different types of limited information about how other voters will vote. We trained nearly 40,000 neural networks of 26 sizes to manipulate against 8 different voting methods, under 6 types of limited information, in committee-sized elections with 5-21 voters and 3-6 candidates. We find that some voting methods, such as Borda, are highly manipulable by networks with limited information, while others, such as Instant Runoff, are not, despite being quite profitably manipulated by an ideal manipulator with full information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google