論文の概要: A Context-Integrated Transformer-Based Neural Network for Auction Design

• arxiv url: http://arxiv.org/abs/2201.12489v1
• Date: Sat, 29 Jan 2022 03:47:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 20:00:51.217693
• Title: A Context-Integrated Transformer-Based Neural Network for Auction Design
• Title（参考訳）: コンテクスト統合型ニューラルネットワークによるオークション設計
• Authors: Zhijian Duan, Jingwu Tang, Yutong Yin, Zhe Feng, Xiang Yan, Manzil Zaheer, Xiaotie Deng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.763612577196124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the central problems in auction design is developing an incentive-compatible mechanism that maximizes the auctioneer's expected revenue. While theoretical approaches have encountered bottlenecks in multi-item auctions, recently, there has been much progress on finding the optimal mechanism through deep learning. However, these works either focus on a fixed set of bidders and items, or restrict the auction to be symmetric. In this work, we overcome such limitations by factoring \emph{public} contextual information of bidders and items into the auction learning framework. We propose $\mathtt{CITransNet}$, a context-integrated transformer-based neural network for optimal auction design, which maintains permutation-equivariance over bids and contexts while being able to find asymmetric solutions. We show by extensive experiments that $\mathtt{CITransNet}$ can recover the known optimal solutions in single-item settings, outperform strong baselines in multi-item auctions, and generalize well to cases other than those in training.
• Abstract（参考訳）: オークションデザインにおける中心的な問題の1つは、競売人の期待収益を最大化するインセンティブ互換メカニズムを開発することである。 理論的アプローチは,複数項目のオークションにおいてボトルネックに直面しているが,近年はディープラーニングによる最適メカニズムの発見が進んでいる。 しかし、これらの作品は入札者とアイテムの固定セットにフォーカスするか、オークションを対称に制限するかのどちらかである。 本研究では,入札者やアイテムの文脈情報をオークション学習フレームワークに分解することで,このような制限を克服する。 提案する$\mathtt{CITransNet}$は、最適オークション設計のためのコンテキスト積分トランスフォーマーベースのニューラルネットワークであり、非対称な解を見つけながら入札やコンテキストに対する置換等価性を維持する。 より広範な実験により、$\mathtt{CITransNet}$は、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、トレーニング中のもの以外のケースによく当てはまることを示す。

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)
• Selling Joint Ads: A Regret Minimization Perspective [7.288063443108292]
  オンライン小売によるモチベーションにより、一品(広告スロットなど)を2つの非排除購入者(商店、ブランド等)に販売する問題を考える。 この問題は、例えば、マーチャントとブランドが商品を宣伝するために競売に協力して入札する状況と、表示されている広告の恩恵を捉えている。 メカニズムは2つの入札を収集し、どちらを割り当てるか、どの支払いを行うかを決定する。
  論文  参考訳（メタデータ） (2024-09-12T07:59:10Z)
• Understanding Iterative Combinatorial Auction Designs via Multi-Agent Reinforcement Learning [10.41350502488723]
  我々は,反復オークションを理解するためにマルチエージェント強化学習アルゴリズムを利用できるか検討する。 MARLは本当にオークション分析の恩恵を受けることができるが、効果的にデプロイすることは簡単ではない。 クロックオークションにおける特定のルール変更を評価するために,提案手法を用いた提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-02-29T18:16:13Z)
• 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)
• 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)
• 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)
• A Permutation-Equivariant Neural Network Architecture For Auction Design [49.41561446069114]
  期待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、オークションデザインの中心的な問題である。 本研究では、置換同変対称性を有するオークション設計問題を考察し、置換同変最適機構を完全に回復できるニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2020-03-02T00:37:36Z)

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。