論文の概要: Auction learning as a two-player game
- arxiv url: http://arxiv.org/abs/2006.05684v4
- Date: Mon, 25 Oct 2021 15:45:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 06:28:02.615535
- Title: Auction learning as a two-player game
- Title(参考訳): ツープレイヤーゲームとしてのオークション学習
- Authors: Jad Rahme and Samy Jelassi and S. Matthew Weinberg
- Abstract要約: オークションデザイン(Auction Design)は、固定ユーティリティ機能を備えた2人プレイのゲームである。
期待収益を最大化するインセンティブをデザインすることは、オークションデザインの中心的な問題である。
- 参考スコア(独自算出の注目度): 19.706363403596196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing an incentive compatible auction that maximizes expected revenue is
a central problem in Auction Design. While theoretical approaches to the
problem have hit some limits, a recent research direction initiated by Duetting
et al. (2019) consists in building neural network architectures to find optimal
auctions. We propose two conceptual deviations from their approach which result
in enhanced performance. First, we use recent results in theoretical auction
design (Rubinstein and Weinberg, 2018) to introduce a time-independent
Lagrangian. This not only circumvents the need for an expensive hyper-parameter
search (as in prior work), but also provides a principled metric to compare the
performance of two auctions (absent from prior work). Second, the optimization
procedure in previous work uses an inner maximization loop to compute optimal
misreports. We amortize this process through the introduction of an additional
neural network. We demonstrate the effectiveness of our approach by learning
competitive or strictly improved auctions compared to prior work. Both results
together further imply a novel formulation of Auction Design as a two-player
game with stationary utility functions.
- Abstract(参考訳): 予想収益を最大化するインセンティブ互換オークションの設計は、オークション設計の中心的な問題である。
この問題に対する理論的アプローチはいくつかの限界に達したが、 duetting et al. (2019) によって始められた最近の研究の方向性は、最適なオークションを見つけるためにニューラルネットワークアーキテクチャを構築することにある。
提案手法は,性能向上をもたらす2つの概念的逸脱を提案する。
まず,理論オークション設計における最近の結果(rubinstein and weinberg, 2018)を用いて,時間に依存しないラグランジアンを導入する。
これは(以前の仕事のように)高価なハイパーパラメーター検索の必要性を回避するだけでなく、2つのオークションのパフォーマンスを比較するための原理的なメトリックを提供する。
第2に、前処理における最適化手順は、最適誤レポートを計算するために内部最大化ループを使用する。
我々は、追加のニューラルネットワークの導入により、このプロセスを償却する。
競争力のある,あるいは厳格に改良されたオークションを学習することで,提案手法の有効性を実証する。
どちらの結果も、静止ユーティリティ機能を備えた2人プレイゲームとしてのオークションデザインの新しい定式化を暗示している。
関連論文リスト
- Beyond Two-Tower Matching: Learning Sparse Retrievable
Cross-Interactions for Recommendation [80.19762472699814]
2-towerモデルは、産業アプリケーションに広くデプロイされている推奨のための一般的なマッチングフレームワークである。
機能間相互作用の制限と、オンラインサービスにおける精度の低下など、主な課題が2つある。
我々は,高度な機能相互作用だけでなく,効率的な検索もサポートするSparCodeという新しいマッチングパラダイムを提案する。
論文 参考訳(メタデータ) (2023-11-30T03:13:36Z) - Machine Learning-powered Combinatorial Clock Auction [14.993021283916006]
我々はイテレーティブオークション(ICA)の設計について研究する。
本稿では,要求クエリに基づいてMLモデルをトレーニングする新しい手法を提案する。
いくつかのスペクトルオークション領域におけるMLベースの需要メカニズムを実験的に評価した。
論文 参考訳(メタデータ) (2023-08-20T10:43:50Z) - Model-Free Algorithm with Improved Sample Efficiency for Zero-Sum Markov
Games [71.0315408565146]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳(メタデータ) (2023-08-17T08:34:58Z) - Online Learning with Adversaries: A Differential-Inclusion Analysis [52.43460995467893]
我々は,完全に非同期なオンラインフェデレート学習のための観察行列ベースのフレームワークを提案する。
我々の主な結果は、提案アルゴリズムがほぼ確実に所望の平均$mu.$に収束することである。
新たな差分包摂型2時間スケール解析を用いて,この収束を導出する。
論文 参考訳(メタデータ) (2023-04-04T04:32:29Z) - Autobidders with Budget and ROI Constraints: Efficiency, Regret, and
Pacing Dynamics [77.67037372500495]
オンライン広告プラットフォームで競合するオートバイディングアルゴリズムのゲームについて検討する。
本稿では,全ての制約を満たすことを保証し,個人の後悔を解消する勾配に基づく学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-01-30T21:59:30Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Bayesian Optimization-based Combinatorial Assignment [10.73407470973258]
オークションやコースアロケーションを含むアサインドメインについて検討する。
この領域の主な課題は、バンドル空間がアイテム数で指数関数的に増加することである。
論文 参考訳(メタデータ) (2022-08-31T08:47:02Z) - A Context-Integrated Transformer-Based Neural Network for Auction Design [25.763612577196124]
オークションデザインにおける中心的な問題の1つは、競売人の予想収益を最大化するインセンティブに適合するメカニズムを開発することである。
最適なオークション設計のためのコンテクスト積分変換器ベースニューラルネットワークである$mathtCITransNet$を提案する。
我々は、$mathttCITransNet$が、シングルイット設定で既知の最適解を回復し、マルチイットオークションで強いベースラインを上回り、トレーニング中以外のケースによく当てはまることを示す。
論文 参考訳(メタデータ) (2022-01-29T03:47:00Z) - Fast Rate Learning in Stochastic First Price Bidding [0.0]
ファーストプライスのオークションは、プログラム広告におけるビックレーのオークションに基づく伝統的な入札アプローチを大きく置き換えている。
対戦相手の最大入札分布が分かっている場合, 後悔度を著しく低くする方法を示す。
我々のアルゴリズムは、様々な入札分布の文献で提案されている選択肢よりもはるかに高速に収束する。
論文 参考訳(メタデータ) (2021-07-05T07:48:52Z) - PreferenceNet: Encoding Human Preferences in Auction Design with Deep
Learning [31.509832387330928]
制約をエンコードする既存のニューラルネットワークベースのオークション機構の拡張であるPreferenceNetを提案する。
提案手法は,現在最先端のニューラルネットベースのオークション設計と競合することを示す。
論文 参考訳(メタデータ) (2021-06-06T19:29:40Z) - ProportionNet: Balancing Fairness and Revenue for Auction Design with
Deep Learning [55.76903822619047]
本研究では,強力なインセンティブ保証を備えた収益最大化オークションの設計について検討する。
我々は、高い収益と強力なインセンティブ保証を維持しつつ、公平性の懸念に対処するため、深層学習を用いてオークションを近似する手法を拡張した。
論文 参考訳(メタデータ) (2020-10-13T13:54:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。