論文の概要: Conformal Online Auction Design

• arxiv url: http://arxiv.org/abs/2405.07038v1
• Date: Sat, 11 May 2024 15:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 18:47:31.255598
• Title: Conformal Online Auction Design
• Title（参考訳）: コンフォーマルオンラインオークションデザイン
• Authors: Jiale Han, Xiaowu Dai,
• Abstract要約: COADは入札者とアイテム機能の両方を取り入れ、オンラインオークションのインセンティブ互換メカニズムを提供する。 この手法は、共形予測手法を用いて、分布のない予測間隔に基づくアプローチを採用する。 COADは、ランダムフォレスト、カーネルメソッド、ディープニューラルネットを含む、幅広い現代的な機械学習手法の使用を認めている。
• 参考スコア（独自算出の注目度）: 6.265829744417118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes the conformal online auction design (COAD), a novel mechanism for maximizing revenue in online auctions by quantifying the uncertainty in bidders' values without relying on assumptions about value distributions. COAD incorporates both the bidder and item features and leverages historical data to provide an incentive-compatible mechanism for online auctions. Unlike traditional methods for online auctions, COAD employs a distribution-free, prediction interval-based approach using conformal prediction techniques. This novel approach ensures that the expected revenue from our mechanism can achieve at least a constant fraction of the revenue generated by the optimal mechanism. Additionally, COAD admits the use of a broad array of modern machine-learning methods, including random forests, kernel methods, and deep neural nets, for predicting bidders' values. It ensures revenue performance under any finite sample of historical data. Moreover, COAD introduces bidder-specific reserve prices based on the lower confidence bounds of bidders' valuations, which is different from the uniform reserve prices commonly used in the literature. We validate our theoretical predictions through extensive simulations and a real-data application. All code for using COAD and reproducing results is made available on GitHub.
• Abstract（参考訳）: 本稿では,オンラインオークションにおける収益を最大化するための新しいメカニズムである共形オンラインオークションデザイン(COAD)を提案する。 COADは入札者とアイテムの特徴の両方を取り入れ、過去のデータを活用してオンラインオークションのインセンティブ互換のメカニズムを提供する。 オンラインオークションの伝統的な方法とは異なり、COADは共形予測技術を用いて分布のない、予測間隔に基づくアプローチを採用している。 この新たなアプローチは、我々のメカニズムから期待される収益が、最適メカニズムによって生成される収益の少なくとも一定の割合を達成することを保証します。 さらに、COADは、入札者の値を予測するためにランダムフォレスト、カーネルメソッド、ディープニューラルネットを含む、幅広い現代的な機械学習手法を使用していることを認めている。 これは、履歴データの限られたサンプルの下での収益パフォーマンスを保証する。 さらに、COADは、入札者のバリュエーションの信頼性が低いことに基づく入札者固有のリザーブ価格を導入しており、これは文献で一般的に使用される均一なリザーブ価格とは異なる。 我々は、広範囲なシミュレーションと実データ応用による理論予測を検証する。 COADの使用と結果の再生に関するすべてのコードはGitHubで公開されている。

関連論文リスト

• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Pairwise Ranking Losses of Click-Through Rates Prediction for Welfare Maximization in Ad Auctions [12.67468905841272]
  本稿では,クリックスルーレート(CTR)における損失関数の設計と,広告オークションにおける社会的福祉の最適化について検討する。 そこで本研究では,CTRモデルのトレーニングを行うために,新しい重み付きランクロスを提案する。 合成および実世界のデータにおける損失の利点を実証する。
  論文  参考訳（メタデータ） (2023-06-01T15:42:50Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Robust multi-item auction design using statistical learning: Overcoming uncertainty in bidders' types distributions [6.5920927560926295]
  提案手法は,非パラメトリック密度推定を用いて,過去の入札から入札者のタイプを正確に推定する。 本機構の効率をさらに高めるために,クエリ削減のための2つの新しい戦略を導入する。 小規模データと大規模データの両方で実施されたシミュレーション実験により、当社のメカニズムは、収益設計やクエリ削減の観点から、既存の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-02T08:32:55Z)
• 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)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Arbitrary Distribution Modeling with Censorship in Real-Time Bidding Advertising [2.562910030418378]
  インベントリプライシングの目的は、オンライン広告の機会に適切な価格を入札することであり、これはデマンド・サイド・プラットフォーム(DSP)がリアルタイム入札(RTB)で競売に勝つために不可欠である。 以前の作品の多くは、勝利価格の分布形式を強く仮定し、その正確さを減らし、一般化する能力を弱めた。 我々は,新たな損失関数であるNLL(Neighborhood Likelihood Loss)を提案し,検閲下での勝利価格分布を予測するためのフレームワークであるArbitrary Distribution Modeling(ADM)と協調する。
  論文  参考訳（メタデータ） (2021-10-26T11:40:00Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• A Game-Theoretic Analysis of the Empirical Revenue Maximization Algorithm with Endogenous Sampling [19.453243313852557]
  実証収益最大化(ERM)はオークションデザインにおいて最も重要な価格学習アルゴリズムの1つである。 我々は、Laviらによって提案されたインセンティブ認識尺度の定義を一般化し、$N$の入力サンプルから$mge 1$の変化によるERMの出力価格の低減を定量化する。 本研究では, 単価オークションにおいて, 単価オークションにおけるグループインセンティブ・コンパチビリティを近似的に示すために, ERM を用いた効率よく, ほぼインセンティブに適合し, 収益に最適な学習アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2020-10-12T08:20:35Z)
• Reserve Price Optimization for First Price Auctions [14.18752189817994]
  本研究では, 入札者のリザーブ・ショックに対する応答性の推定値に基づいて, リザーブ・プライスを適応的に更新し, 最適化する勾配に基づくアルゴリズムを提案する。 第一価格オークションにおける収益は、オンデマンドコンポーネントとエンフビジンコンポーネントに分解することができ、各コンポーネントのばらつきを低減する技術を導入することができる。
  論文  参考訳（メタデータ） (2020-06-11T15:35:19Z)

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。