論文の概要: Conformalized Strategy-Proof Auctions

• arxiv url: http://arxiv.org/abs/2405.12016v4
• Date: Mon, 10 Feb 2025 17:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:24:07.323223
• Title: Conformalized Strategy-Proof Auctions
• Title（参考訳）: Conformalized Strategy-Proof Auctions
• Authors: Roy Maor Lotan, Inbal Talgam-Cohen, Yaniv Romano,
• Abstract要約: 買い手が真のバリュエーションの入札にインセンティブを与えられることを保証するため、戦略の保護は不可欠だ。 本稿では,統計的戦略-安全オークション機構の定式化を提案する。 我々は,データ駆動型オークション機構が統計的戦略-安全要件を高い確率で満たすことを保証するために,後悔の予測を活用するオークション受け入れルールを開発する。
• 参考スコア（独自算出の注目度）: 19.750369749595734
• License:
• Abstract: Auctions are key for maximizing sellers' revenue and ensuring truthful bidding among buyers. Recently, an approach known as differentiable economics based on machine learning (ML) has shown promise in learning powerful auction mechanisms for multiple items and participants. However, this approach has no guarantee of strategy-proofness at test time. Strategy-proofness is crucial as it ensures that buyers are incentivized to bid their true valuations, leading to optimal and fair auction outcomes without the risk of manipulation. In this work, we propose a formulation of statistical strategy-proofness auction mechanism, ensuring that the probability of regret exceeding a predefined threshold is strictly controlled. Building upon conformal prediction techniques, we develop an auction acceptance rule that leverages regret predictions to guarantee that the data-driven auction mechanism meets the statistical strategy-proofness requirement with high probability. Our approach represents a practical middle-ground between two extremes: forcing zero-regret at the cost of significant revenue loss, and naively using ML to construct auctions with the hope of attaining low regret at test time. Numerical experiments demonstrate the necessity of the proposed method, the validity of our theoretical result, and its applicability.
• Abstract（参考訳）: 競売は売り手の収益を最大化し、買い手の間で真剣な入札を確保するための鍵である。 近年、機械学習(ML)に基づく微分経済学として知られるアプローチは、複数のアイテムや参加者に対する強力なオークションメカニズムの学習において有望であることが示されている。 しかし、このアプローチはテスト時に戦略の安全性を保証するものではありません。 戦略保護は、買い手が真のバリュエーションの入札にインセンティブを与えられることを保証し、操作のリスクを伴わずに最適かつ公正なオークションの結果をもたらすため、極めて重要である。 本研究では,事前定義されたしきい値を超える後悔の確率が厳密に制御されることを保証するため,統計的戦略-安全オークション機構の定式化を提案する。 本研究では,共形予測技術に基づいて,データ駆動型オークション機構が統計的戦略-安全要件を高い確率で満たすことを保証するために,後悔の予測を利用するオークション受理ルールを開発する。 当社のアプローチは,収益損失の大きいコストでゼロレグレットを強制すること,テスト時に低後悔を期待してMLを用いてオークションを構築すること,という2つの極端間の実践的な中間地点を表現している。 数値実験により,提案手法の必要性,理論結果の有効性,適用性について検証した。

関連論文リスト

• Learning to Bid in Non-Stationary Repeated First-Price Auctions [20.933903777434086]
  第一価オークションはデジタル広告市場で大きな注目を集めている。 第一価格オークションにおける最適な入札戦略を決定することはより複雑である。 入札順序の正則性を定量化する2つの指標を導入する。
  論文  参考訳（メタデータ） (2025-01-23T03:53:27Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• Mimicking Better by Matching the Approximate Action Distribution [48.95048003354255]
  そこで我々は,Imitation Learning from Observationsのための新しい,サンプル効率の高いオンライン政治アルゴリズムMAADを紹介する。 我々は、専門家のパフォーマンスを達成するためには、かなり少ないインタラクションが必要であり、現在最先端の政治手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T12:43:47Z)
• 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)
• Adaptive Risk-Aware Bidding with Budget Constraint in Display Advertising [47.14651340748015]
  本稿では,強化学習による予算制約を考慮した適応型リスク対応入札アルゴリズムを提案する。 リスク・アット・バリュー(VaR)に基づく不確実性とリスク傾向の本質的関係を理論的に明らかにする。
  論文  参考訳（メタデータ） (2022-12-06T18:50:09Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
  本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。 我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。 シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
  論文  参考訳（メタデータ） (2021-02-13T19:25:52Z)
• A Generic Methodology for the Statistically Uniform & Comparable Evaluation of Automated Trading Platform Components [2.28438857884398]
  提案手法は,2つの自動トレーディングプラットフォームコンポーネント上で実証される。 すなわち、価格レベル、よく知られた取引パターン、新しい2段階の特徴抽出方法である。 主な仮説は、選択された取引パターンが機械学習環境での使用に適しているかどうかを評価するために定式化された。
  論文  参考訳（メタデータ） (2020-09-21T16:17:42Z)
• 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 Bidding Strategy without Exploration in Real-time Bidding [14.035270361462576]
  予算制約によるユーティリティの最大化は、リアルタイム入札(RTB)システムにおける広告主の主要な目標である。 それまでの作品は、検閲された国家の困難を和らげるために競売に敗れたことを無視していた。 本稿では,リアルタイムトラフィックで観測される真の分布の挙動を模倣するために,最大エントロピー原理を用いた新しい実用的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-03-31T20:43:28Z)

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。