論文の概要: Certifying Strategyproof Auction Networks
- arxiv url: http://arxiv.org/abs/2006.08742v1
- Date: Mon, 15 Jun 2020 20:22:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 03:41:46.413479
- Title: Certifying Strategyproof Auction Networks
- Title（参考訳）: 戦略保証オークションネットワークの認証
- Authors: Michael J. Curry, Ping-Yeh Chiang, Tom Goldstein, John Dickerson
- Abstract要約: 我々は、任意の数のアイテムと参加者でオークションを表現できるRegretNetアーキテクチャに焦点を当てる。
本稿では,ニューラルネットワーク検証文献から得られた手法を用いて,特定の評価プロファイルの下で戦略の安全性を明示的に検証する方法を提案する。
- 参考スコア（独自算出の注目度）: 53.37051312298459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimal auctions maximize a seller's expected revenue subject to individual
rationality and strategyproofness for the buyers. Myerson's seminal work in
1981 settled the case of auctioning a single item; however, subsequent decades
of work have yielded little progress moving beyond a single item, leaving the
design of revenue-maximizing auctions as a central open problem in the field of
mechanism design. A recent thread of work in "differentiable economics" has
used tools from modern deep learning to instead learn good mechanisms. We focus
on the RegretNet architecture, which can represent auctions with arbitrary
numbers of items and participants; it is trained to be empirically
strategyproof, but the property is never exactly verified leaving potential
loopholes for market participants to exploit. We propose ways to explicitly
verify strategyproofness under a particular valuation profile using techniques
from the neural network verification literature. Doing so requires making
several modifications to the RegretNet architecture in order to represent it
exactly in an integer program. We train our network and produce certificates in
several settings, including settings for which the optimal strategyproof
mechanism is not known.
- Abstract（参考訳）: 最適なオークションは、買い手に対する個人的合理性と戦略的保護の対象となる売り手の期待収益を最大化する。
1981年、マイアーソンの独創的な仕事は1つのアイテムを競売するという問題に決着をつけたが、その後の数十年の作業は1つのアイテムを超えてほとんど進展せず、収益を最大化するオークションの設計は機構設計の分野における中心的なオープン問題として残されている。
微分経済学」の最近の研究のスレッドでは、現代のディープラーニングのツールを使って優れたメカニズムを学習している。
私たちは、任意の数のアイテムや参加者によるオークションを表現できるrestenetアーキテクチャにフォーカスしています。
本稿では,ニューラルネットワーク検証文献から得られた手法を用いて,特定の評価プロファイル下での戦略保証性を明確に検証する方法を提案する。
そのためには、整数プログラムで正確に表現するために、RegretNetアーキテクチャにいくつかの変更を加える必要がある。
ネットワークをトレーニングし、最適な防御機構が不明な設定を含む、いくつかの設定で証明書を生成する。
関連論文リスト
- Performance-lossless Black-box Model Watermarking [69.22653003059031]
本稿では,モデル知的財産権を保護するために,ブランチバックドアベースのモデル透かしプロトコルを提案する。
さらに,プロトコルに対する潜在的な脅威を分析し,言語モデルに対するセキュアで実現可能な透かしインスタンスを提供する。
論文 参考訳（メタデータ） (2023-12-11T16:14:04Z) - Neural Auctions Compromise Bidder Information [43.82512707595423]
シングルショットオークションは、例えば広告スペースを販売したり、無線周波数を割り当てたりする際に、商品を売る手段として一般的に使用される。
ニューラルネットワークは、オークションが戦略的かつ個々に合理的であるという制約を満たしつつ、最適なメカニズムを近似するために使用できることが示されている。
このようなオークションは収益を最大化するが、個人入札情報を開示するコストがかかることを示している。
論文 参考訳（メタデータ） (2023-02-28T22:36:00Z) - Differentiable Economics for Randomized Affine Maximizer Auctions [78.08387332417604]
差別化可能な経済学のための理想的なオークションアーキテクチャは、完全に戦略的であり、複数の入札者とアイテムをサポートし、最適なメカニズムを表現するのに十分な富がある。
複数の入札者をサポートし、完全に戦略的なアーキテクチャを提案するが、必ずしも最適なメカニズムを表現できない。
微分可能な経済の勾配に基づく最適化ツールを使用することで、私たちは宝くじのAMAを訓練し、収益の以前のアプローチと競合したり、上回ったりすることができる。
論文 参考訳（メタデータ） (2022-02-06T22:01:21Z) - Learning Revenue-Maximizing Auctions With Differentiable Matching [50.62088223117716]
サンプル評価から,インセンティブに適合し,収益を最大化するオークションを大まかに学習する新しいアーキテクチャを提案する。
我々のアーキテクチャはシンクホーンアルゴリズムを用いて、ネットワークが防御的な収益最大化メカニズムを学習できるように、差別化可能な二部マッチングを実行する。
論文 参考訳（メタデータ） (2021-06-15T04:37:57Z) - 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) - Towards Prior-Free Approximately Truthful One-Shot Auction Learning via
Differential Privacy [0.0]
事前依存した設定で複数項目のオークションを見つけるためのディープラーニング技術。
我々は、RegretNetアプローチを事前のフリー設定に適用するように修正する。
予備実験結果と定性解析について述べる。
論文 参考訳（メタデータ） (2021-03-31T23:22:55Z) - 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。