Ron Lavi – Chaitanya Swamy Strumenti della Teoria dei Giochi per l’Informatica A.A. 2009/2010 Annibale Panichella 1 Mechanism Design un insieme di giocatori [n ] un insieme di possibili outcomes A un insieme di valutazioni private Vi per ogni giocatore una funzione di valutazione vi : A con vi Vi una funzione di scelta sociale f : V1 Vn A un vettore di pagamenti p1 ,, pn con f : V1 Vn una funzione utilità i ui vi pi 2 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 Meccanismo = Funzione di scelta sociale + Pagamenti che spinga i giocatori a rivelare il proprio vero valore 3 Mechanism Design DEFINIZIONE Un meccanismo deterministico ( f , p ) è compatibile agli incentivi se • per ogni giocatore i • vi Vi • vi , vi ' Vi dove vi è la valutazione vera di i qualunque siano le valutazioni degli altri giocatori si ha che vi ( f (vi , vi )) pi (vi , vi ) vi ( f (vi ' , vi )) pi (vi ' , vi ) 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 4 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 5 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 vi (S ) per ogni sottoinsieme degli item S, che gode delle seguenti proprietà: • vi(Ø)=0 • vi (.) è non decrescente: vi (S ) vi (T ) per S T Maggiore è il numero di item aggiudicati da i e maggiore è la sua valutazione 6 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 • Si S j 0 • massimizzi il social welfare v (S ) i i item indivisibili giocatori PROBLEMI • SWM è un problema NP-hard • vi (S ) hanno lunghezza esponenziale: risolvere esattamente SWM può richiedere un numero esponenziale di comunicazioni 7 Es.: Asta Combinatoria Mechanism Design e Asta Combinatoria • Definire un meccanismo M ( f , pi i 1n ) • La funzione di scelta sociale ƒ è la funzione SWM e va calcolata sui veri valori dei giocatori vi (v1 vn ) che non sono pubblici OUTPUT INPUT Valutazioni dichiarate v (v1 vn ) Meccanismo Allocazione f (v) (S1 Sn ) Pagamenti p(v) ( pi (v) pn (v)) • Ogni giocatore cerca di massimizzare la propria utilità • Il meccanismo deve essere compatibile agli incentivi 8 Meccanismi VCG DOMANDA: data la funzione di scelta sociale ƒ=SWM , esistono dei pagamenti p tali che il meccanismo M ( f , p ) è compatibile agli incentivi? RISPOSTA: Sì, i pagamenti VCG (Vickrey-Clarke-Groves) garantiscono la compatibilità agli incentivi. Meccanismi VCG generici VCG per Asta Combinatoria A = insieme di outcome A = allocazione di item (S1,…,Sn) Vi = insieme di valutazioni valide Vi = funzione di valutazioni monotone f : V1 Vn A funz. di scelta soc. f : V1 Vn A funz. di scelta soc. f (v) arg max vi (a) i aA pagamenti i, f (v) SWM max vi (a) aA i p (vi , vi ) hi (vi ) v j ( f (vi , vi )) i j Qualunque funzione che non dipende dal giocatore i 9 Meccanismi VCG VCG richiede di calcolare la funzione di scelta sociale ƒ(v), ossia, di risolvere il problema SWM che è NPhard Il meccanismo VCG corrispondente NON è computazionalmente efficiente E’ necessario usare algoritmi di approssimazione per calcolare la funzione di scelta sociale VCG non funziona con tutti gli algoritmi di approssimazione 10 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. Condizioni necessarie 1. Modelliamo il problema tramite la P. L. Intera 2. Costruiamo un algoritmo c-approssimato 3. Dimostriamo che l’integrality gap è al più c Operazioni 1. Costruiamo un meccanismo frazionario 2. Costruiamo un meccanismo di supporto deterministico Output Otteniamo un meccanismo capprossimato, truthful-inexpectation 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. 11 Meccanismi Probabilistici Definizioni di Meccanismi Deterministici confronto. e di Meccanismi Probabilistici a Meccanismi Deterministici Meccanismi Probabilistici Definizione M ( f , p ) Definizione f : V1 V n outcome A è la funzione di scelta sociale M R ( f R , pR ) f R (v) è una variabile aleatoria con una propria distribuzione di probabilità p : V1 Vn è la funzione di piR (v ) è una variabile aleatoria con una ui vi pi è la funzione di utilità del uiR è la variabile aleatoria associata pagamento propria distribuzione di probabilità giocatore i all’utilità di ogni singolo giocatore i Obiettivo: il meccanismo M ( f , p ) deve essere compatibile agli incentivi (truthful) Obiettivo: il meccanismo M R ( f R , p R ) deve essere truthful in expectation (compatibile agli incentivi in aspettativa) 12 Meccanismi Probabilistici DEFINIZIONE Un meccanismo probabilistico M R ( f R , p R ) è truthful in expectation (compatibile agli incentivi in aspettativa) se • per ogni giocatore i qualunque siano le d.p. delle valutazioni degli altri giocatori • vi Vi • vi , vi ' Vi dove vi è la valutazione vera di i si ha che E[vi ( f (vi , vi )) pi (vi , vi )] E[vi ( f (vi ' , vi )) pi (vi ' , vi )] 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 13 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. 14 Costruzione per CA Possiamo formulare il problema dell’asta combinatoria come un problema di Programmazione Lineare Intera: • dato l’insieme degli item da vendere T T1 ,, Tn • definiamo una variabile aleatoria xi,S per ogni coppia • giocatore i • S T con S 0 xi ,S 1 0 se il giocatore i riceve l’insieme di item S altrimenti • la funzione obiettivo è max v (S ) x i,S 0 i i,S corrisponde alla funzione di Social Welfare 15 Costruzione per CA • definiamo i seguenti vincoli x S 0 i i,s 1 per ogni giocatore i xi,S 1 per ogni item j S : jS xi , S 0, 1 per ogni coppia (i,S) Ad ogni giocatore è assegnato al più un solo insieme di item S Ogni item j è assegnato al più ad un solo giocatore 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! 16 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): v (S ) x max i,S 0 i i,S soggetta a vincoli x 1 per ogni giocatore i x 1 per ogni item j S 0 i,s i ,S xi , S 0, 1 i S : jS 0 xi , S 1 per ogni coppia (i,S) Rilassamento continuo per ogni coppia (i,S) 17 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 18 Integrality Gap Siano: • P l’insieme dei punti della regione ammissibile; • Z ( P ) P l’insieme delle soluzioni intere ; l’integrality gap di P è definito come IGP sup v ( v1 , ,vn ) max xP i , S vi ( s) xi ,S max xZ ( P ) i , S vi ( s) xi ,S 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/ α volte la soluzione ottima del suo rilassamento. 19 Meccanismi VGC frazionario Meccanismo VCG frazionario è M F ( f F , p F ) così definito: • sia ƒ di scelta sociale del problema SWM x* (v) la soluzione ottima del problema modellato • sia con Programmazione Lineare Frazionaria (ossia del rilassamento di P.L. Intera) • sia v (v1 , , vn ) il vettore delle valutazioni dei giocatori 1. poniamo la funzione di scelta sociale frazionaria f F (v) x* (v) 2. definiamo i pagamenti dei singoli giocatori come * p (v) hi (vi ) v j ( S ) x j ,S j i F i Somma delle valutazioni degli altri giocatori j≠i È una qualsiasi funzione che non dipende da vi tale che ui ≥ 0 20 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 1. funzione sociale F f (v ) p F (v ) 2. pagamenti 1. funzione sociale 2. pagamenti p F (v ) OSSERVAZIONE: dato che la funzione di valutazione dei giocatori funzione lineare in x , f (v ) vi F vi f F (v) f F (v ) vi ( x) è una VCG frazionario α-scalato è chiaramente compatibile agli incentivi 21 Normalizzazione Infatti, supponiamo che il meccanismo frazionario α–scalato è compatibile agli incentivi, abbiamo che vi Vi vi , vi ' Vi f F (vi , vi ) piF (vi , vi ) f F (vi ', vi ) piF (vi ', vi ) vi vi vi f F (vi , v i ) p F i (vi , v i ) vi f F (vi ', vi ) p F i (vi ', vi ) Def. di compatibilità agli incentivi per il meccanismo frazionario non scalato vi ( f F (vi , vi )) piF (vi , vi ) vi ( f F (vi ', vi )) piF (vi ', vi ) 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. 22 Main Decomposition Lemma Dimostreremo che dato un algoritmo A α-approssimato che dimostra avere un integrality gap pari ad α, possiamo esprimere qualunque * soluzione del problema di P.L. frazionaria xi , S come combinazione lineare convessa delle soluzioni di P.L. Intera x j . jI Per definizione di combinazione lineare convessa, vogliamo calcolare una sequenza di coefficienti λl per cui xi*, S l x l i ,S l l 1 * i ,S per ogni (i, S ) tale che x 0 Per ogni coppia (i,S) che costituiscono la soluzione ottima del problema frazionario l l , l 0 23 Main Decomposition Lemma Riscrivendo il problema come problema di P. L. abbiamo min l lI l xil, S l l 1 xi*, S , (i, S ) t.c. xi*, S 0 L’intersezione tra questi due vincoli ci garantisce la ricerca di una soluzione ottima (se esiste) con valore pari a 1 l l , l 0 Considerazioni: 1. 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) 2. Il numero di vincoli è polinomiale (è pari al numero di variabili in base) 24 Main Decomposition Lemma Dato che tale problema non può essere risolto efficientemente, ci concentriamo sul suo problema Duale: Primale Duale min l 1 max lI l l i ,S x l l * i,S x ( i , S )E , (i, S ) t.c. xi*, S 0 ( i , S )E 1 wi , S 1 z xil, S wi , S z 1 , l I z0 wi , S non vincolato (i, S ) E l l , l 0 xi*, S con E (i, S ) : xi*, S 0 25 Main Decomposition Lemma Il problema duale presenta le seguenti caratteristiche Duale max ( i , S )E ( i , S )E * i,S x wi , S z xil, S wi , S z 1 , l I z0 wi , S non vincolato (i, S ) E 1. Le variabili wi,S possono essere viste come valutazioni 2. 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) 3. 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 αscalato. 26 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 min l max lI lI xi*, S wi , S z Dalla dualità debole è noto che per ogni soluzione finita x del primale e y del duale, vale min l max lI lI xi*, S wi ,S z Dalla proprietà dei problemi di packing, sappiamo che se x Z ( P) e y x y Z ( P) 27 Main Decomposition Lemma PROPOSIZIONE 1 Siano * E ( i , S ) : x i , S 0 • • w wi , S (i , S )E Significato intuitivo: possiamo trasformare il problema duale che ha le variabili w non vincolate, in un problema equivalente con variabili w+≥0 • w max wi , S , 0 • xˆ Z ( P) una soluzione del problema di P. L. Intera Possiamo ottenere una nuova soluzione ( i , S )E xil, S wi , S ( i , S )E xl Z ( P) tale che xˆi , S wi, S DIMOSTRAZIONE l l Poniamo xi , S max xˆi , S , 0 , che implica che xi ,S xˆi ,S ; dato che xˆi , S Z ( P ) per la proprietà di packing anche xl Z ( P) 28 Main Decomposition Lemma PROPOSIZIONE 2 * E ( i , S ) : x i , S 0 Siano w wi , S (i , S )E possiamo calcolare in tempo polinomiale xl ∈Z(P) tale che ( i , S )E xil, S wi , S 1 max xP ( i , S )E xi*,S wi ,S DIMOSTRAZIONE Dato che il problema utilizza delle valutazioni non negative w+, abbiamo che 1 * ( i , S )E xˆi , S wi , S max xP ( i , S )E xi ,S wi ,S Tuttavia, le valutazioni w+ non sono monotone. Tramite le Proposizione 1, possiamo definire delle nuove valutazioni monotone wl tale che 1 l l ˆ x w x w max xi*,S wi ,S i ,S i ,S i ,S i ,S xP ( i , S )E ( i , S )E ( i , S )E 29 Main Decomposition Lemma Main Decomposition Lemma Possiamo calcolare in tempo polinomiale i coefficienti λl che consentono di esprimere l’insieme delle soluzioni ottime del problema di P.L. * frazionaria xi , S come combinazione lineare convessa delle soluzioni di P.L. Intera x j jI 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 ( i , S )E xi*, S wi , S z 1 ( i , S )E xi*, S wi , S 1 z 30 Main Decomposition Lemma Attraverso la Proposizione 2 possiamo definire un insieme di valutazioni monotone wi,S per le xi,Sl tale che * ( i , S )E Che contraddice il vincolo x wi , s l i ,S ( i , S )E ( i , S )E xi , S xil, S wi , S z 1 wi ,S 1 z del problema duale. In questo modo, abbiamo dimostrato che il valore ottimo è esattamente 1: la soluzione del problema duale restituisce i coefficienti λl di 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). 31 Meccanismo di supporto deterministico Tramite il lemma precedente, possiamo esprimere la soluzione del problema di P.L. Frazionaria α-scalato , ossia x* (v) , come combinazione lineare I convessa della soluzione ottima del problema di P.L. Intera x . j 0 j (v) x con jI j j 1 j DEFINIZIONE Un meccanismo di supporto deterministico MD sarà così costituito • la funzione di scelta sociale f D (v) j (v) F jI p (v ) • i prezzi sono gli stessi del mecc. fraz. α-approssimato piD (v) i 32 Proprietà dei meccanismi MD LEMMA: il meccanismo C è compatibile agli incentivi e calcola una αapprossimazione del social welfare. DIMOSTRAZIONE: dimostriamo che MD è equivalente ad un Meccanismo VCG frazionario α-scalato e ne conserva tutte le proprietà. Per qualche v v1 , , vn il valore del giocatore i risulta essere * * v x (v) x (v ) i D j vi f (v) vi j (v) x vi jI Dato che anche i pagamenti sono α-scalati , il meccanismo MD è compatibile agli incentivi. Tale compatibilità garantisce anche una α-approssimazione Ottimo * * vi x (vi ) v x (vi ) frazionario i i OPTSWM vi ' x(vi ) i i 33 Teorema Dato un meccanismo deterministico MD di supporto, compatibile agli incentivi e che calcola una α-approssimazione del social welfare f (v) j (v) D piD (v) piF (v) jI Coefficienti di combinazione lineare convessa della soluzione ottima di P.L. Intera Prezzi α-scalati 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 αapprossimazione del social welfare 34 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 f D (v) j (v) jI Sono i coefficienti di combinazione convessa La funzione sociale è La funzione di scelta sociale ƒR è una variabile aleatoria con distribuzione di probabilità pari a ƒD Prob f R (v) f D (v) j (v) j 0 j j 1 jI Sono anche le proprietà di una funzione di probabilità secondo Kolmogorov 35 Meccanismi Probabilistici Meccanismo MR Il giocatore i paga Meccanismo MD Il giocatore i paga p (v ) D i F i p (v ) per ogni giocatore i se vi ( f D (v)) 0 piD (v) p (v) vi ( f (v)) vi ( f D (v)) R i R se vi ( f D (v)) 0 piR (v) 0 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 36 Meccanismi Probabilistici Per il meccanismo probabilistico definito, valgono le seguenti proprietà R l l l D 1. E vi f (v) Pr[ x ] x l x vi f (v) i i D D D p ( v ) p ( v ) p (v) D R l l l l i i i 2. E pi (v) Pr[ x ] x Pr[ x ] x f (v) piD (v) D D D f (v) f (v) i f (v ) i 3. l’utilità uiD vi f D (v) piD E vi f R (v) E piR E vi f R (v) piR Un meccanismo probabilistico MR è compatibile agli incentivi in aspettativa se e solo se il meccanismo di supporto deterministico corrispondente è compatibile agli incentivi. 37 Risultato Finale Il meccanismo probabilistico MR definito in precedenza è compatibile agli incentivi in aspettativa e calcola una αapprossimazione della soluzione ottima di Social Welfare Maximization in tempo polinomiale. 38 Ricapitolando Operazioni per costruire il Meccanismo Probabilistico 1. 2. 3. 4. 5. 6. 7. 8. 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) αapprossimato definiamo il meccanismo probabilistico MR(ƒR,pR) 39 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 vi (S ) per ogni sottoinsieme degli item S, che gode delle seguenti proprietà: • vi(Ø)=0 • vi (.) è non decrescente: vi (S ) vi (T ) per S T 40 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 v (S ) i i 41 Costruzione di MR per MUCA A questo punto, vediamo le operazioni da effettuare per costruire un MR 1. modelliamo il problema di MUCA tramite P.L. Intera max v (S ) x i,S 0 i i,S x 1 x B S 0 per ogni giocatore i i,s i ,S xi , S 0, 1 i S : jS soggetta a vincoli Ogni item ha B copie per ogni item j per ogni coppia (i,S) 42 Costruzione di MR per MUCA 2. risolviamo il suo rilassamento (P.L. Frazionaria) max v (S ) x i,S 0 i i,S soggetta a vincoli x 1 per ogni giocatore i x B per ogni item j S 0 i,s i ,S xi , S 0, 1 i S : jS 0 xi , S 1 per ogni coppia (i,S) Rilassamento continuo per ogni coppia (i,S) 43 Costruzione di MR per MUCA 3. verifichiamo l’Integrality Gap Dagli studi di Algoritmi deterministici, sappiamo che la versione del problema di P.L. rilassata ha I’Integrality Gap B11 IGP O m 4. 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 piF (v) hi (vi ) v j ( S ) x*j ,S j i 44 Costruzione di MR per MUCA 5. definiamo il meccanismo frazionario MF(ƒF,pF) la cui funzione di scelta socialeƒ F 1 B 1 pF m 6. scalato ottimo frazionario m e i pagamenti sono m 1 B 1 1 B 1 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. 45 Costruzione di MR per MUCA B11 7. Definiamo il meccanismo deterministico di supporto O m app. M D = f D ,p D 8. funzione di scelta socialeƒ D l lI = pagamenti sono f D f F 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 • B11 O m approssimato 46