論文の概要: Duality for Optimal Multi-Item, Multi-Bidder Auction Design: Revenue Certificates through Deep Learning

• arxiv url: http://arxiv.org/abs/2606.10112v1
• Date: Mon, 08 Jun 2026 19:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.16144
• Title: Duality for Optimal Multi-Item, Multi-Bidder Auction Design: Revenue Certificates through Deep Learning
• Title（参考訳）: 最適多項目多層オークション設計のための双対性:ディープラーニングによる収益証明
• Authors: Yanchen Jiang, David C. Parkes, Tonghan Wang,
• Abstract要約: 我々は,マルチイテム,マルチバイダオークション,支配戦略インセンティブ互換性(DSIC)の2つの問題に対処する最初の計算フレームワークを紹介する。 ニューラルネットワークを用いて,構造的に保証された厳密な流れ保存特性を用いて,ラグランジュ乗算器のパラメータ化を行う。 我々は,昇降が連続的な均一な評価を持つマルチイテム,マルチバイダオークションに対して,有効な収益上限を与えることを証明した。
• 参考スコア（独自算出の注目度）: 16.458707311156108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterizing revenue-optimal auctions for multi-item, multi-bidder settings remains a fundamental open problem, with no known closed-form solution existing beyond restrictive binary-type instances. This has motivated interest in computational approaches to optimal auction design. In this paper, we introduce the first computational framework that directly tackles the dual problem for multi-item, multi-bidder auctions and dominant-strategy incentive compatibility (DSIC), generating certified revenue upper bounds. Our approach parametrizes Lagrange multipliers with a structurally guaranteed strict flow-conservation property using neural networks, enabling efficient optimization over feasible dual solutions via gradient descent. To bridge the gap between discrete computational methods and theoretical guarantees for continuous types, we develop a novel lifting technique that maps dual certificates from coarse discretizations to fine refinements. We prove that lifting gives valid revenue upper bounds for multi-item, multi-bidder auctions with continuous uniform valuations. Furthermore, we give a generalized lifting construction for arbitrary continuous distributions and demonstrate that these lifted duals converge to the revenue of the original continuous problem in the discrete limit. We validate this computational framework for the dual auction design problem by recovering known analytical mechanisms for canonical instances. For multi-item multi-bidder problems, our framework establishes a small gap between the optimal revenue and best-known DSIC mechanisms, providing computational certificates of near-optimality.
• Abstract（参考訳）: マルチイテムの最適オークションを特徴付けるマルチバイダ設定は、制限されたバイナリタイプのインスタンス以外には既知のクローズドフォームソリューションが存在しないため、根本的なオープンな問題のままである。 これは最適なオークション設計への計算手法への関心を動機付けている。 本稿では,マルチイテム,マルチバイダオークション,支配的戦略インセンティブ互換性(DSIC)の2つの問題に直接対処する最初の計算フレームワークを紹介する。 本手法は,ニューラルネットワークを用いた構造的に保証された厳密な流れ保存特性でラグランジュ乗算器をパラメータ化することにより,勾配降下による実現可能な双対解に対する効率的な最適化を実現する。 離散的な計算手法と連続型の理論的保証のギャップを埋めるために、粗い離散化から細かな精細化に双対証明をマッピングする新しいリフト技術を開発した。 我々は,昇降が連続的な均一な評価を持つマルチイテム,マルチバイダオークションに対して,有効な収益上限を与えることを証明した。 さらに、任意の連続分布に対する一般化された持ち上げ構成を与え、これらの持ち上げ双対が離散極限における元の連続問題の収益に収束することを示す。 この計算フレームワークは、標準インスタンスの既知の解析機構を復元することにより、二重オークション設計問題に対する検証を行う。 マルチイテムなマルチバイダ問題に対しては,最適収益と最もよく知られたDSIC機構のギャップを狭くし,ほぼ最適性の計算証明書を提供する。

関連論文リスト

• OpenVLThinkerV2: A Generalist Multimodal Reasoning Model for Multi-domain Visual Tasks [81.07598709704628]
  標準線形スケーリングを非線形分布マッチングに置き換える新しいRLトレーニング目標を提案する。 また、高度に堅牢で汎用的なマルチモーダルモデルであるOpenVLThinkerV2を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:59:39Z)
• Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
  我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。 また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:30:01Z)
• A Unified Kantorovich Duality for Multimarginal Optimal Transport [0.29771206318712146]
  マルチマージ最適輸送(MOT: Multimarginal optimal transport)は、機械学習と統計学の関連性から近年注目を集めている。 本稿では、一般ポーランド積空間上のMOT問題に対する統一的で完全なカントロビッチ双対性理論を提案する。
  論文  参考訳（メタデータ） (2026-01-23T21:06:46Z)
• Hellinger Multimodal Variational Autoencoders [7.778719963322215]
  マルチモーダル変分オートエンコーダ(VAE)は、複数のモーダルを持つ弱教師付き生成学習に広く用いられている。 サブサンプリングを回避するマルチモーダルVAEであるHELVAEを提案する。 我々は、生成的コヒーレンスと品質のトレードオフを実証的に達成し、最先端のマルチモーダルVAEモデルより優れています。
  論文  参考訳（メタデータ） (2026-01-10T13:39:36Z)
• Scalable Neural Incentive Design with Parameterized Mean-Field Approximation [28.20524168049273]
  力学と報酬がリプシッツであるとき、有限$N$ ID の目標は、PMFG によって $mathscrO(frac1sqrtN)$ で近似されることを示す。 さらに、反復平衡作用素の明示的な微分を利用して勾配を効率的に計算する、随伴平均集中設計(AMID)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-10-24T13:18:54Z)
• A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
  本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。 本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
  論文  参考訳（メタデータ） (2024-09-27T17:00:32Z)
• Algorithm for Constrained Markov Decision Process with Linear Convergence [55.41644538483948]
  エージェントは、そのコストに対する複数の制約により、期待される累積割引報酬を最大化することを目的としている。 エントロピー正規化ポリシーとベイダの二重化という2つの要素を統合した新しい双対アプローチが提案されている。 提案手法は(線形速度で)大域的最適値に収束することが示されている。
  論文  参考訳（メタデータ） (2022-06-03T16:26:38Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)

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。