論文の概要: GemNet: Menu-Based, Strategy-Proof Multi-Bidder Auctions Through Deep Learning
- arxiv url: http://arxiv.org/abs/2406.07428v1
- Date: Tue, 11 Jun 2024 16:30:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 15:05:20.294208
- Title: GemNet: Menu-Based, Strategy-Proof Multi-Bidder Auctions Through Deep Learning
- Title（参考訳）: GemNet: 深層学習によるメンヌベースのマルチバイダオークション
- Authors: Tonghan Wang, Yanchen Jiang, David C. Parkes,
- Abstract要約: GemNetはアフィン法よりも収益の高いオークションを学習し、正確なSPを達成する一方、従来の一般的なマルチバイダ法はほぼSPであり、解釈可能性を大幅に向上した。
混合整数線形プログラムはメニュー変換に使われ、アダプティブグリッドやメニュー要素をスキップする方法など、多数の最適化によって、大規模なオークション設計問題にスケールする。
- 参考スコア（独自算出の注目度）: 17.717553267684615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differentiable economics uses deep learning for automated mechanism design. Despite strong progress, it has remained an open problem to learn multi-bidder, general, and fully strategy-proof (SP) auctions. We introduce GEneral Menu-based NETwork (GemNet), which significantly extends the menu-based approach of RochetNet [D\"utting et al., 2023] to the multi-bidder setting. The challenge in achieving SP is to learn bidder-independent menus that are feasible, so that the optimal menu choices for each bidder do not over-allocate items when taken together (we call this menu compatibility). GemNet penalizes the failure of menu compatibility during training, and transforms learned menus after training through price changes, by considering a set of discretized bidder values and reasoning about Lipschitz smoothness to guarantee menu compatibility on the entire value space. This approach is general, leaving undisturbed trained menus that already satisfy menu compatibility and reducing to RochetNet for a single bidder. Mixed-integer linear programs are used for menu transforms and through a number of optimizations, including adaptive grids and methods to skip menu elements, we scale to large auction design problems. GemNet learns auctions with better revenue than affine maximization methods, achieves exact SP whereas previous general multi-bidder methods are approximately SP, and offers greatly enhanced interpretability.
- Abstract（参考訳）: 微分経済学は、Deep Learningを使って自動メカニズム設計を行う。
強い進歩にもかかわらず、マルチバイダー、一般、そして完全な戦略防御(SP)オークションを学ぶことはオープンな問題のままである。
GEneral Menu-based NETwork (GemNet)を導入し、RochetNet [D\"utting et al , 2023] のメニューベースのアプローチをマルチバイダ設定に拡張した。
SPを実現する上での課題は、入札者に依存しないメニューを学習することであり、各入札者にとって最適なメニュー選択は、一緒に行ったときにアイテムを過度に配置しない(このメニュー互換と呼ぶ)。
GemNetは、トレーニング中のメニュー互換性の失敗を罰し、価格変更を通じて学習したメニューを変換する。
このアプローチは一般的なもので、メニューの互換性をすでに満たし、単一の入札者に対してRochetNetに還元する、歪んだトレーニング済みのメニューを残している。
混合整数線形プログラムはメニュー変換に使われ、アダプティブグリッドやメニュー要素をスキップする方法など、多数の最適化によって、大規模なオークション設計問題にスケールする。
GemNetはアフィン最大化法よりも高い収益でオークションを学習し、正確なSPを達成する。
関連論文リスト
- Classifier-guided Gradient Modulation for Enhanced Multimodal Learning [50.7008456698935]
Gradient-Guided Modulation (CGGM) は,マルチモーダル学習と勾配のバランスをとる新しい手法である。
UPMC-Food 101, CMU-MOSI, IEMOCAP, BraTSの4つのマルチモーダルデータセットについて広範な実験を行った。
CGGMはすべてのベースラインや最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2024-11-03T02:38:43Z) - RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。
Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。
本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
論文 参考訳（メタデータ） (2024-07-17T16:49:34Z) - FoodLMM: A Versatile Food Assistant using Large Multi-modal Model [96.76271649854542]
大規模マルチモーダルモデル(LMM)は多くの視覚言語タスクにおいて顕著な進歩を遂げている。
本稿では,多機能なLMMに基づく多目的食品アシスタントであるFoodLMMを提案する。
本稿では,食品の栄養価と複数のセグメンテーションマスクを予測するために,一連の新しいタスク固有のトークンとヘッドを導入する。
論文 参考訳（メタデータ） (2023-12-22T11:56:22Z) - A Scalable Neural Network for DSIC Affine Maximizer Auction Design [20.177823187525107]
AMenuNetは、入札者およびアイテム表現からAMAパラメータを構成するスケーラブルなニューラルネットワークである。
我々は、AMenuNetがコンテキストおよび非コンテキストのマルチイテムオークションにおいて、強いベースラインよりも優れていることを示すための広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-20T10:42:00Z) - MenuAI: Restaurant Food Recommendation System via a Transformer-based
Deep Learning Model [15.248362664235845]
本稿では,新しいレストラン料理推薦システムを提案する。
光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。
我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
論文 参考訳（メタデータ） (2022-10-15T11:45:44Z) - Cluttered Food Grasping with Adaptive Fingers and Synthetic-Data Trained
Object Detection [8.218146534971156]
食品包装産業は、幅広い形状と大きさのさまざまな食品を扱う。
ビンピッキングの一般的なアプローチは、まず、インスタンスセグメンテーション法を用いてトレイ内の各食品を識別することである。
合成データを純粋に訓練し,sim2real法を用いて実世界へ転送する手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T06:44:09Z) - A Context-Integrated Transformer-Based Neural Network for Auction Design [25.763612577196124]
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。
論文 参考訳（メタデータ） (2022-01-29T03:47:00Z) - 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) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - 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)
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。