論文の概要: Towards Prior-Free Approximately Truthful One-Shot Auction Learning via
Differential Privacy
- arxiv url: http://arxiv.org/abs/2104.00159v1
- Date: Wed, 31 Mar 2021 23:22:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:24:02.967685
- Title: Towards Prior-Free Approximately Truthful One-Shot Auction Learning via
Differential Privacy
- Title(参考訳): ディファレンシャルプライバシを用いた事前フリーワンショットオークション学習に向けて
- Authors: Daniel Reusche, Nicol\'as Della Penna
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing truthful, revenue maximizing auctions is a core problem of auction
design. Multi-item settings have long been elusive. Recent work
(arXiv:1706.03459) introduces effective deep learning techniques to find such
auctions for the prior-dependent setting, in which distributions about bidder
preferences are known. One remaining problem is to obtain priors in a way that
excludes the possibility of manipulating the resulting auctions. Using
techniques from differential privacy for the construction of approximately
truthful mechanisms, we modify the RegretNet approach to be applicable to the
prior-free setting. In this more general setting, no distributional information
is assumed, but we trade this property for worse performance. We present
preliminary empirical results and qualitative analysis for this work in
progress.
- Abstract(参考訳): 真面目なデザイン オークションを最大化する収益は、オークションデザインの核となる問題である。
マルチイテム設定は、長い間解明されてきた。
最近の研究 (arXiv:1706.03459) では、入札者の嗜好に関する分布が知られている事前依存的な設定のための効果的な深層学習手法が紹介されている。
残る1つの問題は、結果としてのオークションを操作する可能性を排除する方法で、事前を取得することである。
ほぼ真理なメカニズムを構築するために,差分プライバシーの手法を用いて,先行自由設定に適用可能なRegretNetアプローチを修正した。
このより一般的な設定では、分布情報は想定されないが、より悪い性能のためにこの特性を交換する。
本研究における予備実験結果と定性解析について述べる。
関連論文リスト
- Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。
我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
論文 参考訳(メタデータ) (2024-11-20T18:06:55Z) - The Role of Transparency in Repeated First-Price Auctions with Unknown Valuations [21.491106045668054]
本研究では, 単価オークションにおける落札者に対する後悔の問題について検討する。
我々の主な貢献は、競売の並行性の観点からのミニマックス後悔の対数的要因の完全な特徴である。
これらのミニマックスレートは、透明性と環境の性質の間の相互作用が、ファーストプライスのオークションで最適な入札を学べる速度にどのように影響するかを明らかにしている。
論文 参考訳(メタデータ) (2023-07-14T09:16:24Z) - 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) - Leveraging the Hints: Adaptive Bidding in Repeated First-Price Auctions [42.002983450368134]
プライスオークションでの競売の仕方について検討する。
第二価格のオークションとは異なり、個人価値を真に入札することはもはや最適ではない。
1つは1つの点予測が可能であり、もう1つはヒント間隔が利用可能である。
論文 参考訳(メタデータ) (2022-11-05T19:20:53Z) - A Reinforcement Learning Approach in Multi-Phase Second-Price Auction
Design [158.0041488194202]
多相第2価格オークションにおけるリザーブ価格の最適化について検討する。
売り手の視点からは、潜在的に非現実的な入札者の存在下で、環境を効率的に探索する必要がある。
第三に、売り手のステップごとの収益は未知であり、非線形であり、環境から直接観察することさえできない。
論文 参考訳(メタデータ) (2022-10-19T03:49:05Z) - Benefits of Permutation-Equivariance in Auction Mechanisms [90.42990121652956]
競売人の収益を最大化しつつ、競売人の過去の後悔を最小限にする競売メカニズムは、経済学において重要であるが複雑な問題である。
ニューラルネットワークによる最適なオークションメカニズムの学習を通じて、注目すべき進歩が達成されている。
論文 参考訳(メタデータ) (2022-10-11T16:13:25Z) - 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) - 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) - Certifying Strategyproof Auction Networks [53.37051312298459]
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。
論文 参考訳(メタデータ) (2020-06-15T20:22:48Z) - Optimal No-regret Learning in Repeated First-price Auctions [38.908235632001116]
オンライン学習を反復した初価オークションで研究する。
我々は,ほぼ最適の$widetildeO(sqrtT)$ regret boundを達成するための最初の学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-03-22T03:32:09Z)
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。