論文の概要: Comparing Uniform Price and Discriminatory Multi-Unit Auctions through Regret Minimization

• arxiv url: http://arxiv.org/abs/2510.19591v1
• Date: Wed, 22 Oct 2025 13:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.836984
• Title: Comparing Uniform Price and Discriminatory Multi-Unit Auctions through Regret Minimization
• Title（参考訳）: レギュレット最小化による均一価格と差別的マルチユニットオークションの比較
• Authors: Marius Potfer, Vianney Perchet,
• Abstract要約: 繰り返し行われるマルチユニットオークションは、電気市場や金融オークションにおいて一般的なメカニズムである。 単価と差別的オークションの2つの主要なフォーマットを比較し,競争相手に対する入札を学習する単一入札者の視点に着目した。 単価オークションは,$tildeTheta ( sqrtT )$として,識別オークションが$tildeTheta (T2/3 )$のままである場合に,学習速度が向上する可能性があることを示す。
• 参考スコア（独自算出の注目度）: 28.946496440127603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Repeated multi-unit auctions, where a seller allocates multiple identical items over many rounds, are common mechanisms in electricity markets and treasury auctions. We compare the two predominant formats: uniform-price and discriminatory auctions, focusing on the perspective of a single bidder learning to bid against stochastic adversaries. We characterize the learning difficulty in each format, showing that the regret scales similarly for both auction formats under both full-information and bandit feedback, as $\tilde{\Theta} ( \sqrt{T} )$ and $\tilde{\Theta} ( T^{2/3} )$, respectively. However, analysis beyond worst-case regret reveals structural differences: uniform-price auctions may admit faster learning rates, with regret scaling as $\tilde{\Theta} ( \sqrt{T} )$ in settings where discriminatory auctions remain at $\tilde{\Theta} ( T^{2/3} )$. Finally, we provide a specific analysis for auctions in which the other participants are symmetric and have unit-demand, and show that in these instances, a similar regret rate separation appears.
• Abstract（参考訳）: 売り手が複数の同一アイテムを複数のラウンドで割り当てる繰り返し多単位オークションは、電気市場や金融オークションで一般的なメカニズムである。 我々は、一律価格と差別オークションの2つの主要なフォーマットを比較し、確率的敵に対する入札を学習する1つの入札者の視点に焦点をあてる。 我々は,各フォーマットの学習困難さを特徴付け,全情報と帯域幅の両方のフィードバックの下で,それぞれ$\tilde{\Theta} ( \sqrt{T} )$と$\tilde{\Theta} (T^{2/3} )$として,この後悔がオークションフォーマットに類似していることを示す。 しかし、最悪の場合の後悔以上の分析では、構造的な違いが明らかである: 均一価格オークションは、より高速な学習率を認め、後悔のスケーリングは、$\tilde{\Theta} ( \sqrt{T} )$として、差別的オークションが$\tilde{\Theta} (T^{2/3} )$に留まる設定では、$\tilde{\Theta} (T^{2/3} )$として与えられる。 最後に、他の参加者が対称で単調なオークションの分析を行い、これらの事例において同様の後悔率の分離が現れることを示す。

関連論文リスト

• Improved learning rates in multi-unit uniform price auctions [20.8319469276025]
  複数ユニットの均一価格オークションにおけるオンライン学習の課題を,対立する入札設定に焦点をあてて検討した。 我々は,この問題の構造を活かした学習アルゴリズムが,帯域幅フィードバック下での$tildeO(K4/3T2/3)の後悔を実現することを証明した。 電力備蓄市場からインスパイアされたフィードバックモデルを導入し,すべての入札を提示する。
  論文  参考訳（メタデータ） (2025-01-17T13:26:12Z)
• Randomized Truthful Auctions with Learning Agents [10.39657928150242]
  本研究では, エージェントが未学習の学習を用いて, 繰り返しオークションに参加する環境について検討する。 競売者が非回帰入札アルゴリズムを用いて第2価格の競売に参加する場合、勝者が真に競売に収束しないことが示される。 我々は,第2代競売の収益と競売との収益を比べて,エムオークションのコンセプトを定義した。
  論文  参考訳（メタデータ） (2024-11-14T15:28:40Z)
• Learning in Repeated Multi-Unit Pay-As-Bid Auctions [3.6294895527930504]
  本研究では,単一入札者の視点から,ペイ・アズ・バイド(PAB)オークションにおける入札戦略の問題点を考察する。 提案手法は,競合する入札が事前に知られている場合のオフライン問題を,時間アルゴリズムで解くことができることを示す。 また,PAB平衡のキャラクタリゼーションについても検討した。
  論文  参考訳（メタデータ） (2023-07-27T20:49:28Z)
• Autobidders with Budget and ROI Constraints: Efficiency, Regret, and Pacing Dynamics [53.62091043347035]
  オンライン広告プラットフォームで競合するオートバイディングアルゴリズムのゲームについて検討する。 本稿では,全ての制約を満たすことを保証し,個人の後悔を解消する勾配に基づく学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-30T21:59:30Z)
• A Reinforcement Learning Approach in Multi-Phase Second-Price Auction Design [158.0041488194202]
  多相第2価格オークションにおけるリザーブ価格の最適化について検討する。 売り手の視点からは、潜在的に非現実的な入札者の存在下で、環境を効率的に探索する必要がある。 第三に、売り手のステップごとの収益は未知であり、非線形であり、環境から直接観察することさえできない。
  論文  参考訳（メタデータ） (2022-10-19T03:49:05Z)
• Optimal No-regret Learning in Repeated First-price Auctions [38.908235632001116]
  オンライン学習を反復した初価オークションで研究する。 我々は,ほぼ最適の$widetildeO(sqrtT)$ regret boundを達成するための最初の学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-22T03:32:09Z)

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。