Reducing the gap between theory and applications in algorithmic Bayesian persuasion

This thesis focuses on the following question: is it possible to influence the behavior of self-interested agents through the strategic provision of information? This sweet talk is ubiquitous among all sorts of economics and non-economics activities. In this thesis, we model these multi-agent systems as games between an informed sender and one or multiple receivers. We study the computational problem faced by an informed sender that wants to use his information advantage to influence rational receivers with the partial disclosure of information. In particular, the sender faces an information structure design problem that amounts to deciding who gets to know what. Bayesian persuasion provides a formal framework to model these settings as asymmetric-information games. In recent years, much attention has been given to Bayesian persuasion in the economics and artificial intelligence communities due also to the applicability of this framework to a large class of scenarios like online advertising, voting, traffic routing, recommendation systems, security, and product marketing. However, there is still a large gap between the theoretical study of information in games and its applications in real-world scenarios. This thesis contributes to close this gap along two directions. First, we study the persuasion problem in real-world scenarios, focusing on voting, routing, and auctions. While the Bayesian persuasion framework can be applied to all these settings, the algorithmic problem of designing optimal information disclose polices introduces computational challenges related to the specific problem under study. Our goal is to settle the complexity of computing optimal sender's strategies, showing when an optimal strategy can be implemented efficiently. Then, we relax stringent assumptions that limit the applicability of the Bayesian persuasion framework in practice. In particular, the classical model assumes that the sender has perfect knowledge of the receiver's utility. We remove this assumption initiating the study of an online version of the persuasion problem. This is the first step in designing adaptive information disclosure policies that deal with the uncertainty intrinsic in all real-world applications.

Questa tesi si concentra sulla seguente domanda: è possibile influenzare il comportamento di agenti attraverso la fornitura strategica di informazioni? Questa pratica è onnipresente tra tutti i tipi di attività economiche e non economiche. In questa tesi, modelliamo questi sistemi multi-agente come giochi tra un mittente informato e uno o più ricevitori.Studiamo il problema computazionale affrontato da un mittente informato che vuole utilizzare il suo vantaggio informativo per influenzare i ricevitori razionali con la divulgazione parziale di informazioni. In particolare, il mittente deve affrontare un problema di progettazione della struttura dell'informazione che equivale a decidere chi deve sapere cosa. La persuasione bayesiana fornisce un quadro formale per modellare questi scenari come giochi ad informazione asimmetrica. Negli ultimi anni, molta attenzione è stata data alla persuasione bayesiana nelle comunità dell'economia e dell'intelligenza artificiale grazie anche all'applicabilità di questo framework a un'ampia classe di scenari come la pubblicità online, le votazioni, l'instradamento del traffico, i sistemi di raccomandazione, la sicurezza e il marketing di prodotto. Tuttavia, c'è ancora un grande divario tra lo studio teorico delle informazioni nei giochi e le sue applicazioni negli scenari del mondo reale. Questa tesi contribuisce a colmare questa lacuna lungo due direzioni. In primo luogo, studiamo il problema della persuasione in scenari del mondo reale, concentrandoci su votazioni, instradamento e aste. Mentre il framework di persuasione bayesiana può essere applicato a tutti questi scenari, il problema algoritmico della progettazione di politiche di divulgazione delle informazioni ottimali introduce sfide computazionali relative al problema specifico in studio. Il nostro obiettivo è risolvere la complessità del calcolo delle strategie ottimali del mittente, mostrando quando una strategia ottimale può essere implementata in modo efficiente. Inoltre, allentiamo ipotesi stringenti che limitano l'applicabilità del framework di persuasione bayesiana nella pratica. In particolare, il modello classico suppone che il mittente abbia una perfetta conoscenza dell'utilità del ricevente. Rimuoviamo questa assunzione avviando lo studio di una versione online del problema di persuasione. Questo è il primo passo nella progettazione di politiche di divulgazione delle informazioni adattive in grado di gestire l'incertezza intrinseca in tutte le applicazioni del mondo reale.