論文の概要: Learning to Coordinate Bidders in Non-Truthful Auctions
- arxiv url: http://arxiv.org/abs/2507.02801v2
- Date: Sat, 25 Oct 2025 04:40:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 22:08:13.749795
- 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、戦略形式のBCEの集合が、入札者の値のサンプルの$$$$ $tilde O(fracnvarepsilon2)で学習できることを証明した。
提案手法は,全ての単調入札戦略のクラスにおける擬似次元の分析と合わせて,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る。
- 参考スコア（独自算出の注目度）: 9.642382646285805
- 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 Bayes-Nash equilibrium notion, are notoriously difficult to characterize and can cause undesirable outcomes. An alternative approach to achieve better outcomes in non-truthful auctions 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 distributions 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 set of strategic-form 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 of bidders' values. This moderate number of samples demonstrates the statistical feasibility of learning to coordinate bidders. 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.
- 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、ベイズ・ナッシュ均衡の概念による入札者の独立した戦略行動は、特徴付けが困難であり、望ましくない結果をもたらす。
非真剣なオークションでより良い結果を達成するための別のアプローチは、入札者を調整することである: 仲介者が入札者に関連性のある入札戦略、すなわちベイズ相関均衡(BCE)を実装すること。
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。
第一価格と全支払いのオークションを含む、多種多様な非実効的オークションにおける戦略形式のBCEの集合は、多項式数$\tilde O(\frac{n}{\varepsilon^2})$の入札者の値のサンプルで学習できることを証明した。
この適度な数のサンプルは、入札者を調整するための学習の統計的実現可能性を示している。
提案手法は,全ての単調入札戦略のクラスにおける擬似次元の分析と合わせて,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る。
関連論文リスト
- Conformalized Strategy-Proof Auctions [19.750369749595734]
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。
論文 参考訳（メタデータ） (2024-05-20T13:39:58Z) - Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。
我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。
BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
論文 参考訳（メタデータ） (2023-10-02T17:39:58Z) - 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) - Advancing Ad Auction Realism: Practical Insights & Modeling Implications [2.8413290300628313]
本稿では,広告主を敵の帯域幅アルゴリズムが支配するエージェントとしてモデル化することで,現代の広告オークションに対する有用な洞察を得ることができることを示す。
ソフトフロアは適切な選択されたリザーブ価格よりも低い収益をもたらし、単一のクエリに注意を向けることさえできる。
論文 参考訳（メタデータ） (2023-07-21T17:45:28Z) - 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) - 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 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) - Foreseeing the Benefits of Incidental Supervision [83.08441990812636]
本稿では,実験を行なわずに,特定の目標タスクに対して,様々な種類の偶発信号の利点を定量化できるかどうかを考察する。
本稿では,PABI(PAC-Bayesian motivated informativeness measure)を提案する。
論文 参考訳（メタデータ） (2020-06-09T20:59:42Z)
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。