論文の概要: Learning to Coordinate Bidders in Non-Truthful Auctions
- arxiv url: http://arxiv.org/abs/2507.02801v1
- Date: Thu, 03 Jul 2025 17:03:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-04 15:37:16.679955
- Title: Learning to Coordinate Bidders in Non-Truthful Auctions
- Title（参考訳）: 非実力オークションにおけるバイアス調整の学習
- Authors: Hu Fu, Tao Lin,
- Abstract要約: 非実効オークションにおけるベイズ相関均衡の複雑さについて検討する。
我々は、入札者の値から、BCEを$tilde O(fracnvareps2)$のサンプルで学習できることを証明した。
- 参考スコア（独自算出の注目度）: 6.3923058661534276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In non-truthful auctions such as first-price and all-pay auctions, the independent strategic behaviors of bidders, with the corresponding equilibrium notion -- Bayes Nash equilibria -- are notoriously difficult to characterize and can cause undesirable outcomes. An alternative approach to designing better auction systems is to coordinate the bidders: let a mediator make incentive-compatible recommendations of correlated bidding strategies to the bidders, namely, implementing a Bayes correlated equilibrium (BCE). The implementation of BCE, however, requires knowledge of the distribution of bidders' private valuations, which is often unavailable. We initiate the study of the sample complexity of learning Bayes correlated equilibria in non-truthful auctions. We prove that the BCEs in a large class of non-truthful auctions, including first-price and all-pay auctions, can be learned with a polynomial number $\tilde O(\frac{n}{\varepsilon^2})$ of samples from the bidders' value distributions. Our technique is a reduction to the problem of estimating bidders' expected utility from samples, combined with an analysis of the pseudo-dimension of the class of all monotone bidding strategies of bidders.
- Abstract（参考訳）: ファーストプライスやオールペイオークションのような非真剣なオークションでは、入札者の独立した戦略行動、すなわちベイズ・ナッシュ均衡(Bayes Nash equilibria)は特徴付けが困難であり、望ましくない結果をもたらす。
より良い競売システムを設計するための別のアプローチは、入札者の調整である:仲介者が入札者に対して相関入札戦略のインセンティブに適合する推奨を行う、すなわちベイズ相関均衡(BCE)を実装することである。
しかしながら、BCEの実装には入札者の個人価値の分布に関する知識が必要であるが、これはしばしば利用できない。
我々は,非実効オークションにおけるベイズ相関平衡の学習におけるサンプル複雑性の研究を開始する。
単価および全額のオークションを含む大規模な非実効オークションにおけるBCEは、入札者の値分布から得られるサンプルの多項式数$\tilde O(\frac{n}{\varepsilon^2})$で学習できることを証明した。
提案手法は, 入札者の期待する効用をサンプルから推定する問題への還元であり, 入札者の単調入札戦略のクラスを擬似的に分類する手法と組み合わせたものである。
関連論文リスト
- Learning in Repeated Multi-Unit Pay-As-Bid Auctions [3.6294895527930504]
本研究では,単一入札者の視点から,ペイ・アズ・バイド(PAB)オークションにおける入札戦略の問題点を考察する。
提案手法は,競合する入札が事前に知られている場合のオフライン問題を,時間アルゴリズムで解くことができることを示す。
また,PAB平衡のキャラクタリゼーションについても検討した。
論文 参考訳（メタデータ） (2023-07-27T20:49:28Z) - 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) - Autobidders with Budget and ROI Constraints: Efficiency, Regret, and Pacing Dynamics [53.62091043347035]
オンライン広告プラットフォームで競合するオートバイディングアルゴリズムのゲームについて検討する。
本稿では,全ての制約を満たすことを保証し,個人の後悔を解消する勾配に基づく学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-30T21:59:30Z) - Provable Unrestricted Adversarial Training without Compromise with Generalizability [44.02361569894942]
敵の攻撃から守るための最も有望な戦略として、敵の訓練(AT)が広く考えられている。
既存のAT法は、標準的な一般化性を犠牲にして、しばしば敵の強靭性を達成している。
我々はProvable Unrestricted Adversarial Training (PUAT)と呼ばれる新しいATアプローチを提案する。
論文 参考訳（メタデータ） (2023-01-22T07:45:51Z) - A Reinforcement Learning Approach in Multi-Phase Second-Price Auction
Design [158.0041488194202]
多相第2価格オークションにおけるリザーブ価格の最適化について検討する。
売り手の視点からは、潜在的に非現実的な入札者の存在下で、環境を効率的に探索する必要がある。
第三に、売り手のステップごとの収益は未知であり、非線形であり、環境から直接観察することさえできない。
論文 参考訳（メタデータ） (2022-10-19T03:49:05Z) - 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) - 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) - Learning Utilities and Equilibria in Non-Truthful Auctions [11.682943354386868]
我々は、$tilde O(n / epsilon2)$サンプルと$n$エージェントが、全ての入札戦略の中間ユーティリティを学習するのに十分であることを示す。
また、エージェントが自分のタイプを見つけるために検索コストを支払わなければならない設定も検討する。
論文 参考訳（メタデータ） (2020-07-03T14:44:33Z)
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。