論文の概要: New Guarantees for Learning Revenue Maximizing Menus of Lotteries and Two-Part Tariffs

• arxiv url: http://arxiv.org/abs/2302.11700v3
• Date: Mon, 15 Jul 2024 21:29:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 00:20:24.701359
• Title: New Guarantees for Learning Revenue Maximizing Menus of Lotteries and Two-Part Tariffs
• Title（参考訳）: 資産・関税額の最大化をめざす新基準
• Authors: Maria-Florina Balcan, Hedyeh Beyhaghi,
• Abstract要約: 本研究では,経済に顕著な2種類のメカニズム,すなわち宝くじのメニューと2部関税の学習可能性について検討する。 我々は、宝くじのメニューと、後悔の強い保証付き二分関税のための、最初のオンライン学習アルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 19.34580414545524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We advance a recently flourishing line of work at the intersection of learning theory and computational economics by studying the learnability of two classes of mechanisms prominent in economics, namely menus of lotteries and two-part tariffs. The former is a family of randomized mechanisms designed for selling multiple items, known to achieve revenue beyond deterministic mechanisms, while the latter is designed for selling multiple units (copies) of a single item with applications in real-world scenarios such as car or bike-sharing services. We focus on learning high-revenue mechanisms of this form from buyer valuation data in both distributional settings, where we have access to buyers' valuation samples up-front, and the more challenging and less-studied online settings, where buyers arrive one-at-a-time and no distributional assumption is made about their values. We provide a suite of results with regard to these two families of mechanisms. We provide the first online learning algorithms for menus of lotteries and two-part tariffs with strong regret-bound guarantees. Since the space of parameters is infinite and the revenue functions have discontinuities, the known techniques do not readily apply. However, we are able to provide a reduction to online learning over a finite number of experts, in our case, a finite number of parameters. Furthermore, in the limited buyers type case, we show a reduction to online linear optimization, which allows us to obtain no-regret guarantees by presenting buyers with menus that correspond to a barycentric spanner. In addition, we provide algorithms with improved running times over prior work for the distributional settings. Finally, we demonstrate how techniques from the recent literature in data-driven algorithm design are insufficient for our studied problems.
• Abstract（参考訳）: 我々は、近年、学習理論と計算経済学の共通点において、宝くじのメニューと二分関税という、経済学で顕著な2種類のメカニズムの学習可能性を研究することによって、近年盛んに行われている仕事のラインを推し進める。 前者は、決定論的メカニズムを超えた収益を達成するために知られている複数のアイテムを販売するために設計されたランダム化されたメカニズムのファミリーであり、後者は、1つのアイテムの複数のユニット(コピー)を自動車や自転車シェアリングサービスのような現実のシナリオに適用するように設計されている。 我々は,この形態の高頻度なメカニズムを,購入者の評価データから事前に購入者の評価データにアクセスでき,かつ,購入者が1対1で到着し,その価値について分布的な仮定をしない,より困難で調査の少ないオンライン設定の両方で学習することに注力する。 これら2つのメカニズムのファミリーについて、一連の結果を提供する。 我々は、宝くじのメニューと、後悔の強い保証付き二分関税のための、最初のオンライン学習アルゴリズムを提供する。 パラメータの空間は無限であり、収益関数は不連続であるため、既知の手法は容易には適用できない。 しかし、限られた数の専門家に対して、我々の場合、限られた数のパラメータをオンライン学習に還元することができる。 さらに,リミテッド・バイヤー方式の場合,リミテッド・バイヤー方式では,バーリセントリー・スパンナーに対応するメニューをバイヤーに提示することで,リニア・リニア・オプティベーションの低減を図ることができる。 さらに,分散設定に対する前処理よりも実行時間を短縮するアルゴリズムも提供する。 最後に,データ駆動型アルゴリズム設計における最近の文献からのテクニックが,我々の研究課題に対して不十分であることを示す。

関連論文リスト

• 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)
• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• Learning-augmented Online Algorithm for Two-level Ski-rental Problem [8.381344684943212]
  本研究では,3つの支払いオプションのうちの1つを選択することで,複数の項目に対する要求の順序を満たす必要がある2段階のスキーレンタル問題について検討する。 我々は、機械学習予測を頑健なオンラインアルゴリズムに組み込むことにより、学習増強アルゴリズム(LADTSR)を開発した。
  論文  参考訳（メタデータ） (2024-02-09T16:10:54Z)
• 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)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• Faithful Edge Federated Learning: Scalability and Privacy [4.8534377897519105]
  フェデレーション学習は、ローカルデータセットの交換を必要とせずに、分散型エッジデバイスのネットワーク上で機械学習アルゴリズムをトレーニングすることを可能にする。 エージェントが自発的に参加するインセンティブに、フェデレーション学習の鍵となる特徴、不均衡データおよび非i.d.データがどのように影響するかを分析する。 経済性,スケーラビリティ,プライバシを満足する2つの忠実な連合学習機構を設計する。
  論文  参考訳（メタデータ） (2021-06-30T08:46:40Z)
• Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
  経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。 エージェントの好みを学習するためのオンライン学習機構を提案する。 数値シミュレーションにより,本機構の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T21:32:17Z)
• 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。