論文の概要: PreferenceNet: Encoding Human Preferences in Auction Design with Deep Learning

• arxiv url: http://arxiv.org/abs/2106.03215v1
• Date: Sun, 6 Jun 2021 19:29:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-13 09:23:38.958891
• Title: PreferenceNet: Encoding Human Preferences in Auction Design with Deep Learning
• Title（参考訳）: PreferenceNet: 深層学習によるオークションデザインにおける人間の嗜好の符号化
• Authors: Neehar Peri, Michael J. Curry, Samuel Dooley, John P. Dickerson
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.509832387330928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design of optimal auctions is a problem of interest in economics, game theory and computer science. Despite decades of effort, strategyproof, revenue-maximizing auction designs are still not known outside of restricted settings. However, recent methods using deep learning have shown some success in approximating optimal auctions, recovering several known solutions and outperforming strong baselines when optimal auctions are not known. In addition to maximizing revenue, auction mechanisms may also seek to encourage socially desirable constraints such as allocation fairness or diversity. However, these philosophical notions neither have standardization nor do they have widely accepted formal definitions. In this paper, we propose PreferenceNet, an extension of existing neural-network-based auction mechanisms to encode constraints using (potentially human-provided) exemplars of desirable allocations. In addition, we introduce a new metric to evaluate an auction allocations' adherence to such socially desirable constraints and demonstrate that our proposed method is competitive with current state-of-the-art neural-network based auction designs. We validate our approach through human subject research and show that we are able to effectively capture real human preferences. Our code is available at https://github.com/neeharperi/PreferenceNet
• Abstract（参考訳）: 最適オークションのデザインは、経済学、ゲーム理論、コンピュータ科学における関心の問題である。 何十年もの努力にもかかわらず、戦略を守り、収益を最大化するオークションデザインは、まだ制限された設定以外では知られていない。 しかし、近年のディープラーニングを用いた手法は、最適なオークションを近似し、いくつかの既知のソリューションを回復し、最適なオークションが不明な場合に強いベースラインを上回り、いくつかの成功を示している。 収益を最大化することに加えて、オークションメカニズムは、割り当て公平性や多様性といった社会的に望ましい制約を奨励することを求めることもある。 しかし、これらの哲学的概念は標準化や形式的定義を広く受け入れていない。 本稿では,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を拡張したPreferenceNetを提案する。 さらに,このような社会的に望ましい制約に対するオークション割り当ての遵守度を評価するための新しい指標を導入し,提案手法が現在のニューラルネットワークに基づくオークション設計と競合していることを示す。 我々は,人間の主観的研究を通じてアプローチを検証し,実際の人間の嗜好を効果的に捉えることができることを示す。 私たちのコードはhttps://github.com/neeharperi/PreferenceNetで利用可能です。

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)
• 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)
• 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)
• 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)
• Learning to Bid Optimally and Efficiently in Adversarial First-price Auctions [40.30925727499806]
  我々は,$widetildeO(sqrtT)$ regretを達成する,最初のミニマックス最適オンライン入札アルゴリズムを開発した。 Verizon Mediaから得られた3つの実世界の1価オークションデータセットを用いて,本アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2020-07-09T05:40:39Z)
• 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)
• Auction learning as a two-player game [19.706363403596196]
  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。
  論文  参考訳（メタデータ） (2020-06-10T06:45:20Z)

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。