論文の概要: Differentiable Economics for Randomized Affine Maximizer Auctions
- arxiv url: http://arxiv.org/abs/2202.02872v1
- Date: Sun, 6 Feb 2022 22:01:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 18:45:56.884856
- Title: Differentiable Economics for Randomized Affine Maximizer Auctions
- Title（参考訳）: ランダム化アフィン最大化オークションにおける微分経済学
- Authors: Michael Curry, Tuomas Sandholm, John Dickerson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 78.08387332417604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A recent approach to automated mechanism design, differentiable economics,
represents auctions by rich function approximators and optimizes their
performance by gradient descent. The ideal auction architecture for
differentiable economics would be perfectly strategyproof, support multiple
bidders and items, and be rich enough to represent the optimal (i.e.
revenue-maximizing) mechanism. So far, such an architecture does not exist.
There are single-bidder approaches (MenuNet, RochetNet) which are always
strategyproof and can represent optimal mechanisms. RegretNet is multi-bidder
and can approximate any mechanism, but is only approximately strategyproof. We
present an architecture that supports multiple bidders and is perfectly
strategyproof, but cannot necessarily represent the optimal mechanism. This
architecture is the classic affine maximizer auction (AMA), modified to offer
lotteries. By using the gradient-based optimization tools of differentiable
economics, we can now train lottery AMAs, competing with or outperforming prior
approaches in revenue.
- Abstract（参考訳）: 自動機構設計への最近のアプローチ、微分経済学は、リッチ関数近似器によるオークションを表現し、勾配降下による性能の最適化を行う。
差別化可能な経済のための理想的なオークションアーキテクチャは、完全な戦略的防御であり、複数の入札者とアイテムをサポートし、最適な(すなわち収益を最大化する)メカニズムを表現できるほど豊かである。
今のところ、そのようなアーキテクチャは存在しない。
シングルバイダアプローチ(MenuNet、RochetNet)は、常に戦略的であり、最適なメカニズムを表現できる。
RegretNetはマルチバイダであり、任意のメカニズムを近似することができるが、ほぼ防御的である。
提案手法は,複数の入札者をサポートし,完全な戦略的防御性を有するが,必ずしも最適機構を表現できないアーキテクチャである。
このアーキテクチャは、宝くじを提供するために改良された古典的なアフィン最大値オークション(AMA)である。
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。
関連論文リスト
- Optimal Automated Market Makers: Differentiable Economics and Strong
Duality [22.943723387429678]
複数の商品の存在下での最適な市場形成はよく理解されていない。
最適な市場メーカを見つけることは、最適な輸送問題と双対であることを示します。
より複雑な振る舞いを示す設定において最適メカニズムの予想を示す。
論文 参考訳（メタデータ） (2024-02-14T12:27:54Z) - Refined Mechanism Design for Approximately Structured Priors via Active
Regression [50.71772232237571]
我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。
この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
論文 参考訳（メタデータ） (2023-10-11T20:34:17Z) - A General Stochastic Optimization Framework for Convergence Bidding [0.0]
本稿では,最適収束(仮想)入札曲線を得るための一般最適化フレームワークを提案する。
本フレームワークでは,入札価格とボリュームを同時に生成する線形プログラミングに基づく最適化モデルを開発した。
一般モデルにおける様々な近似と単純化が、自然によく知られた収束入札アプローチにつながることを示す。
論文 参考訳（メタデータ） (2022-10-12T19:14:07Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - 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) - 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) - Generalization Guarantees for Multi-item Profit Maximization: Pricing,
Auctions, and Randomized Mechanisms [86.81403511861788]
購入者の価値に根ざした分布が存在する場合のマルチイテム利益について検討する。
購入者の値の任意のセットに対して、利益はメカニズムのパラメーターにおいて断片的に線形である。
我々は、まだサンプルベースのメカニズム設計文献にはないメカニズムクラスに対する新しい境界を証明した。
論文 参考訳（メタデータ） (2017-04-29T22:02:14Z)
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。