論文の概要: Deep Learning for Double Auction

• arxiv url: http://arxiv.org/abs/2504.05355v1
• Date: Mon, 07 Apr 2025 08:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:28:14.013065
• Title: Deep Learning for Double Auction
• Title（参考訳）: ダブルオークションのためのディープラーニング
• Authors: Jiayin Liu, Chenglong Zhang,
• Abstract要約: 不完全な情報、インセンティブ整合性(IC)、個人合理性(IR)の制約により、最適なオークション機構を見つけることは極めて難しい。 本研究では,需要側と供給側の両方に不完全な情報が存在する二重オークションのための深層学習手法を開発する。 我々は、トランスフォーマーベースのアーキテクチャを利用して、市場参加者を様々な市場規模のシーケンスとしてモデル化することで、一般化性を実現する。
• 参考スコア（独自算出の注目度）: 3.3799233225949576
• License:
• Abstract: Auctions are important mechanisms extensively implemented in various markets, e.g., search engines' keyword auctions, antique auctions, etc. Finding an optimal auction mechanism is extremely difficult due to the constraints of imperfect information, incentive compatibility (IC), and individual rationality (IR). In addition to the traditional economic methods, some recently attempted to find the optimal (single) auction using deep learning methods. Unlike those attempts focusing on single auctions, we develop deep learning methods for double auctions, where imperfect information exists on both the demand and supply sides. The previous attempts on single auction cannot directly apply to our contexts and those attempts additionally suffer from limited generalizability, inefficiency in ensuring the constraints, and learning fluctuations. We innovate in designing deep learning models for solving the more complex problem and additionally addressing the previous models' three limitations. Specifically, we achieve generalizability by leveraging a transformer-based architecture to model market participants as sequences for varying market sizes; we utilize the numerical features of the constraints and pre-treat them for a higher learning efficiency; we develop a gradient-conflict-elimination scheme to address the problem of learning fluctuation. Extensive experimental evaluations demonstrate the superiority of our approach to classical and machine learning baselines.
• Abstract（参考訳）: オークションは、検索エンジンのキーワードオークション、アンティークオークションなど、様々な市場で広く実施されている重要なメカニズムである。 不完全な情報、インセンティブ適合性(IC)、個人合理性(IR)の制約により、最適なオークション機構を見つけることは極めて困難である。 従来の経済手法に加えて、近年、深層学習を用いた最適(単一)オークションを試みている者もいた。 単一オークションに焦点を当てた試みとは異なり、需要側と供給側の両方に不完全な情報が存在する二重オークションのための深層学習手法を開発する。 単一オークションに対する以前の試みは、我々の文脈に直接適用できず、これらの試みは、限定的な一般化可能性、制約の確保における非効率性、および学習のゆらぎに苦しむ。 より複雑な問題を解決するためのディープラーニングモデルを設計し、以前のモデルの3つの制限に対処する。 具体的には、トランスフォーマーベースのアーキテクチャを活用し、市場参加者を様々な市場規模のシーケンスとしてモデル化し、制約の数値的特徴を活用し、学習効率を高めるための事前処理を行い、学習変動問題に対処する勾配衝突除去スキームを開発する。 大規模な実験的評価は、古典的および機械学習ベースラインに対する我々のアプローチの優位性を示している。

関連論文リスト

• Encapsulating Knowledge in One Prompt [56.31088116526825]
  KiOPは、元のモデルを変更したり、トレーニングデータにアクセスする必要なしに、さまざまなモデルからの知識を単独のプロンプトにカプセル化する。 実用性の観点から、このパラダイムは、データアクセス不能なコンテキストにおけるVisual Promptの有効性を証明している。 様々なデータセットとモデルを用いた実験は、提案したKiOP知識伝達パラダイムの有効性を示す。
  論文  参考訳（メタデータ） (2024-07-16T16:35:23Z)
• Deep Reinforcement Learning for Sequential Combinatorial Auctions [40.89021064082742]
  収益-最適オークションデザインは、重要な理論的および実践的な意味を持つ難しい問題である。 本稿では,一階勾配を利用した逐次オークションに適した新しい強化学習フレームワークを提案する。 提案手法は,分析ベースラインと標準強化学習アルゴリズムの両方に対して,収益の大幅な向上を実現する。
  論文  参考訳（メタデータ） (2024-07-10T20:00:22Z)
• Imitating Cost-Constrained Behaviors in Reinforcement Learning [8.143750358586072]
  本稿では, トラジェクティブコスト制約の存在下で, 専門家分布に適合する手法を提案する。 試行錯誤学習手法はコスト制約の少ない動作を模倣することを示す。
  論文  参考訳（メタデータ） (2024-03-26T07:41:54Z)
• Understanding Iterative Combinatorial Auction Designs via Multi-Agent Reinforcement Learning [10.41350502488723]
  我々は,反復オークションを理解するためにマルチエージェント強化学習アルゴリズムを利用できるか検討する。 MARLは本当にオークション分析の恩恵を受けることができるが、効果的にデプロイすることは簡単ではない。 クロックオークションにおける特定のルール変更を評価するために,提案手法を用いた提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-02-29T18:16:13Z)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• 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)
• 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)
• PreferenceNet: Encoding Human Preferences in Auction Design with Deep Learning [31.509832387330928]
  制約をエンコードする既存のニューラルネットワークベースのオークション機構の拡張であるPreferenceNetを提案する。 提案手法は,現在最先端のニューラルネットベースのオークション設計と競合することを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:29:40Z)
• ProportionNet: Balancing Fairness and Revenue for Auction Design with Deep Learning [55.76903822619047]
  本研究では,強力なインセンティブ保証を備えた収益最大化オークションの設計について検討する。 我々は、高い収益と強力なインセンティブ保証を維持しつつ、公平性の懸念に対処するため、深層学習を用いてオークションを近似する手法を拡張した。
  論文  参考訳（メタデータ） (2020-10-13T13:54:21Z)

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。