DSIC 比真实性要求更强
组合拍卖中的机制同时输出 m 件物品在 n 个竞标者之间的分配和价格。真实性意味着，假设其他竞标者也遵循规定策略，每个竞标者最好遵循规定策略，这是一个事后纳什均衡。DSIC 更严格：无论其他竞标者如何行动——理性、对抗性还是无意义——每个竞标者最好都如实出价。
这一区别很重要，因为论文的主要结果针对确定性 DSIC 机制，而其双竞标者结果还覆盖普遍 DSIC，即一种随机化版本。论文有意区分这些设定：随机化可以带来更强的机制，因此确定性与随机化的困难性不可互换。
通信预算决定近似下界
论文将 DSIC_GEN(m, γ)、DSIC_XOS(m, γ) 和 DSIC_GS(m, γ) 定义为：在 m 件物品上使用至多 2^γ 通信的确定性、个体理性、无负转移 DSIC 机制，分别在一般单调、XOS 和总替代估值下可达到的最佳近似比。参数 γ 的范围从 log m 到 m。
主要定理给出 DSIC_GS(m, γ) = Ω((m/γ)^(1/7))、DSIC_XOS(m, γ) = Ω((m/γ)^(1/5)) 和 DSIC_GEN(m, γ) = Ω(m/γ)，均对 γ ∈ [log m, m] 成立。一个统一的证明同时得到这三个结果。由于一般情形的下界与 QiuW24 的确定性 DSIC O(m/γ) 近似相匹配，一般情形是紧的：DSIC_GEN(m, γ) = Θ(m/γ)。
总替代困难性回答了一个悬而未决的问题
对 GS 估值，多项式通信的福利最大化是可能的，VCG 将其转化为多项式通信的确定性真实机制。新的下界表明这不能推广到确定性 DSIC 机制：在多项式通信下无法获得好的近似。这回答了 DobzinskiRV22 的一个悬而未决的问题。
论文指出，其 GS 构造只使用加权拟阵秩估值的卷积，因此该下界对 Rado 估值也成立，而 Rado 估值是 GS 的一个真子类。这使不可能性更强而非更弱：它甚至适用于比 GS 更窄的估值类。
DSIC 机制如何转化为同时算法
证明保留了 DRV22 的外层框架：将好的确定性 DSIC 机制转化为困难分布上的好的同时算法，同时问题的通信下界随后给出 DSIC 机制的下界。障碍来自条件策略：如果 Alice 先行动并可发送消息 X 或 Y，Bob 可以选择在 X 后有利、在 Y 后不利的延续，这可能使被规定发送 Y 的估值偏好 X，从而违反 DSIC。
论文的第一处改动是把底层估值的尺度与特殊结果的价值分开。对 GS 和 XOS 估值，特殊结果是获得一件高价值物品；对一般估值，是获得全部物品集合。其价值大到足以影响每个竞标者的激励，但相对于总福利又很小。这使证明可以在同一底层估值尺度上处理所有竞标者，避免 DRV22 中的共同尺度平均损失。
剩下的障碍是定量的。在早先的 0-1 构造中，保证任何正效用就已证明竞标者获得全部价值，这对 GS 和 XOS 估值不成立：竞标者可能获得正效用，却只收回全部价值的一小部分。论文使用放大：每个竞标者有指数多条候选子句，放大将稀疏子句集合的系数加倍，因此短的第一条消息不太可能排除隐藏的特殊坐标被加倍的可能性。第二个条件策略论证将正常延续效用升级为高效用保证，协议随后执行随机分配，以较大概率正确放置特殊集合。
双竞标者结果区分困难性与可能性
多竞标者的困难实例不能推广到少数竞标者，因此论文单独证明双竞标者结果。在困难性一侧，任何 IR、NNT、普遍 DSIC 机制若要在两个加权拟阵秩估值上达到 0.9999 近似，都需要指数通信。加权拟阵秩估值属于 GS，因此它们允许确定性福利最大化算法和真实机制；困难性特定于普遍 DSIC 机制。
在可能性一侧，存在一个多项式通信的 (1+√5)/2 ≈ 1.618 近似，用于两个子模竞标者，使用普遍 DSIC 机制。在这项工作之前，人们不知道多项式通信的普遍真实机制能否在两个子模估值上超过 2 近似，也不知道多项式通信的普遍 DSIC 机制能否在两个加权拟阵秩估值上超过 2 近似。论文还给出一个多项式通信的同时算法，在两个拟阵秩估值上超过 3/4，达到 (41−√6)/50 ≈ 0.771 近似。
混合两种机制超过二分之一近似
双子模 DSIC 机制混合了两种在不同情形下表现良好的过程。一种是随机分配，最坏情况下给出 1/2 近似。另一种是 FF20 的扩展并行第二价格拍卖（EP2A），它向两个竞标者询问每件物品的边际价值；出价更高者获得以较低者价值购买该物品的权利，两个竞标者按给定价格购买各自最喜欢的可得集合。FF20 证明 EP2A 对次可加估值是 DSIC 的。
当实例接近模块化时，EP2A 设定近乎正确的价格，物品流向正确的竞标者。坏情形是实例远离模块化：报告的边际价值可能远高于竞标者实际能提取的价值，导致许多物品未被分配。而这正是随机分配有望超过 1/2 的情形。随机分配一部分物品，对剩余物品运行 EP2A，平衡了这两个极端。这里子模性是必要的，因为 EP2A 在收缩原始估值后必须保持 DSIC，而子模性在收缩下保持，次可加性则不然。
这些界适用与不适用的范围
多竞标者下界针对 γ ∈ [log m, m] 以及确定性、IR、NNT 的 DSIC 机制。双竞标者下界对普遍 DSIC 机制成立，因此它不是关于所有真实机制的陈述。双竞标者的正面结果是针对两个子模竞标者和两个拟阵秩估值的多项式通信构造，而非任意数量的竞标者。
论文还指出了仍待解决的问题。两个竞标者下，多项式通信的真实机制能否在 XOS 估值上超过 1/2 近似，多项式通信的确定性 DSIC 机制能否在加权拟阵秩估值上超过 1/2，以及多项式通信的确定性真实机制能否在子模估值上超过 1/2，这些都仍然悬而未决。对子模、XOS 和次可加估值，MIR、值查询可实现或计算高效的确定性真实机制的最优近似为 Θ̃((m/γ)^(1/2))，而次可加估值的同时算法可达到 O(m^(1/3))；如果 DSIC 的正确答案也是 Θ̃((m/γ)^(1/2))，则需要新技术才能得到紧的下界。
紧的一般情形是核心结果
在论文的结果中，一般估值界是唯一被完全确定下来的：对 γ ∈ [log m, m]，DSIC_GEN(m, γ) = Θ(m/γ)，与 QiuW24 的确定性 DSIC O(m/γ) 近似相匹配。GS 和 XOS 界只是下界，指数分别为 1/7 和 1/5，论文明确指出更好的 KSSHD 困难实例有可能改进它们。
因此，对于判断每个数字可信度的读者，实际的分界在于紧的一般情形与较松的 GS、XOS 情形之间，以及多竞标者确定性设定与双竞标者普遍 DSIC 设定之间。GS 结果是概念上最尖锐的转变：它表明，GS 通过 VCG 获得多项式通信确定性真实性的路径，并不能延伸到确定性 DSIC 近似，尽管 GS 福利最大化本身在多项式通信下是可处理的。
本文引用的文献
The Hardness of Dominant Strategy Mechanism Design, Revisited
组合拍卖中的确定性 DSIC 机制面临多项式困难性：对 γ ∈ [log m, m]，DSIC_GEN(m, γ) = Θ(m/γ)，DSIC_XOS(m, γ) = Ω((m/γ)^(1/5))，DSIC_GS(m, γ) = Ω((m/γ)^(1/7))，其中 GS 界回答了 DobzinskiRV22 的一个悬而未决的问题。