論文の概要: Do Not Trust The Auctioneer: Learning to Bid in Feedback-Manipulated Auctions

• arxiv url: http://arxiv.org/abs/2605.22438v1
• Date: Thu, 21 May 2026 13:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.264271
• Title: Do Not Trust The Auctioneer: Learning to Bid in Feedback-Manipulated Auctions
• Title（参考訳）: オークションを信用しない - フィードバック操作オークションでバイドを学ぶ
• Authors: Luigi Foscari, Matilde Tullii, Vianney Perchet,
• Abstract要約: 販売は、競争を強くし、価格を上方に押し上げるために人工入札を使用することである。 我々は,シリングがフィードバックに影響を及ぼすがアロケーションに影響を及ぼさない第1価格のオークションを繰り返し検討した。 我々は,シロビッド分布が知られていることを前提として,ベスト入札ベンチマークに関する後悔を分析した。
• 参考スコア（独自算出の注目度）: 25.94657489052486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shilling is the use of artificial bids to make competition appear stronger and push prices upward. We study repeated first-price auctions in which shilling affects feedback but not allocation: the learner wins or loses against the real competing bid, but after a loss observes the maximum of the real bid and an independent shill bid. Thus the manipulation changes what the learner observes and hence how it learns to bid, without changing the outcome of the current auction. We analyze regret with respect to the best bid benchmark, assuming that the shill-bid distribution is known. Even then, shilling can mask the real bid, while useful side information appears only through intermittent low-shill events. Our algorithm combines a robust interval-elimination branch, which ignores the shilled report and achieves the dynamic-pricing rate $\tilde{\mathcal{O}}(T^{2/3})$, with an optimistic branch that debiases losing-side reports and exploits the resulting suffix information when it is reliable and achieves the first-price auctions rate $\tilde{\mathcal{O}}(\sqrt{T})$. A validation and racing procedure lets the algorithm use these optimistic updates without knowing the right scale or feedback geometry in advance. We complement the upper bounds with a matching lower bound, up to logarithmic factors, in the single-active-region case. Overall, the results show that even feedback-only shilling can sharply alter the statistical difficulty of repeated bidding.
• Abstract（参考訳）: 販売は、競争を強くし、価格を上方に押し上げるために人工入札を使用することである。 そこで,本研究では,シリングがフィードバックに影響を与えるがアロケーションには影響しない第1価格のオークションについて検討し,実際の競争入札に対して学習者が勝利または敗戦するが,敗れた後,実際の入札と独立シリング入札の最大値が観測される。 したがって、この操作は学習者が観察するものを変え、現在のオークションの結果を変えることなく、どのように入札を学ぶかを変える。 我々は,シロビッド分布が知られていることを前提として,ベスト入札ベンチマークに関する後悔を分析した。 それでも、シリングは実際の入札を覆い隠すことができるが、有用な側面情報は断続的な低坂イベントを通してのみ現れる。 このアルゴリズムは, レポートを無視し, 動的価格率$\tilde{\mathcal{O}}(T^{2/3})$と, 損失側レポートを排除し, 信頼性の高い場合には接尾辞情報を活用し, 第一価格オークションレート$\tilde{\mathcal{O}}(T^{2/3})$を達成している。 検証とレースの手順により、アルゴリズムは事前に適切なスケールやフィードバックの幾何を知ることなく、これらの楽観的な更新を使用することができる。 単活性領域の場合,上界は対数的因子に一致する下界で補う。 全体としては、フィードバックのみのシリングでさえ、繰り返し入札の統計的困難を著しく変える可能性がある。

関連論文リスト

• 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)
• A pragmatic policy learning approach to account for users' fatigue in repeated auctions [47.75983850930121]
  MLモデルは、前回のオークションが現在の機会価値をどの程度獲得したかを予測することができる。 この予測を用いて、現在の競売の予想利益を最大化する政策を、患者と呼ぶことができる。 我々は、このコストの浸透の重要性について、実証的な2つの論証を提示した。
  論文  参考訳（メタデータ） (2024-07-15T07:53:29Z)
• 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)
• Artificial Intelligence and Auction Design [0.0]
  付加的なフィードバックを伴わないファーストプライスのオークションが,暗黙的な結果につながることが判明した。 この違いは, 単価の競売において, 競争相手を1つの入札インクリメントで圧倒するインセンティブによって引き起こされることを示す。 また、Googleが第1価格のオークションに切り替えたときに導入した最低入札に関する情報が、オークションの競争力を高めることも示している。
  論文  参考訳（メタデータ） (2022-02-12T00:54:40Z)
• Fast Rate Learning in Stochastic First Price Bidding [0.0]
  ファーストプライスのオークションは、プログラム広告におけるビックレーのオークションに基づく伝統的な入札アプローチを大きく置き換えている。 対戦相手の最大入札分布が分かっている場合, 後悔度を著しく低くする方法を示す。 我々のアルゴリズムは、様々な入札分布の文献で提案されている選択肢よりもはるかに高速に収束する。
  論文  参考訳（メタデータ） (2021-07-05T07:48:52Z)
• 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)
• Scalable Bid Landscape Forecasting in Real-time Bidding [12.692521867728091]
  プログラム広告では、広告スロットは通常、第二価格(SP)オークションを使ってリアルタイムで販売される。 SPでは、1つの項目に対して、各入札者の支配的な戦略は、入札者の視点から真の価値を入札することである。 本稿では,ヘテロセダスティックな完全パラメトリック・レグレッション・アプローチと混合密度・レグレッション・ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-01-18T03:20:05Z)

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。