論文の概要: How Much Due Diligence Before You Bid? Learning in Intractable Takeover Auctions

• arxiv url: http://arxiv.org/abs/2606.29457v1
• Date: Sun, 28 Jun 2026 15:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.9175
• Title: How Much Due Diligence Before You Bid? Learning in Intractable Takeover Auctions
• Title（参考訳）: 酔っぱらう前にどれくらいの義務を負うか? 難易度の高いテイクオーバーオークションで学ぶ
• Abstract要約: 2つの会社が同じターゲットを買おうとするが、その目標がどんなものなのか正確には誰も知らない。 入札者は、入札前に個人で見積もる、費用がかかる不完全な宿題を支払う。 入札コンテストのシンプルなコンピュータモデルを構築し、自分たちと対戦して入札をうまく教える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When two companies bid to buy the same target, no one knows exactly what the target is worth. Each bidder pays for due diligence: costly, imperfect homework that sharpens its own private estimate before it bids. How much of that homework is worth buying? We build a simple computer model of the bidding contest and let it teach itself to bid well by playing against itself, the way a game engine learns chess. The economic question, how much diligence pays for itself, and the computational question, when the contest becomes too complex to solve exactly, are both controlled by a single thing: how many pieces of private information a bidder carries. Our main finding is that the right amount of diligence is modest and finite. It falls as diligence gets more expensive, and it falls further when both sides are doing their homework, because competition erodes the value of knowing more. We also test a recent claim from AI research: that simple, general self-play methods can rival the specialized, expensive algorithms usually built for games like these. Running on an ordinary laptop with no costly frontier AI, we find the simple methods are the best of the self-learning approaches, though purpose-built exact methods still win whenever the game is small enough to solve outright. The simple methods earn their keep only once the game grows too large to solve exactly, which is the regime real deals live in, and there we show they still find strong bidding strategies. The contribution is threefold: a cheap, reproducible way to study deal-making under uncertainty; a concrete, model-based answer to how much due diligence is worth buying; and evidence about when lightweight, general-purpose AI is good enough to replace specialized methods. We release all the games, code, and experiments.
• Abstract（参考訳）: 2社が同じターゲットを買おうとする時、そのターゲットがどんな価値があるのか正確には誰も知らない。 入札者は、入札前に個人で見積もる、費用がかかる不完全な宿題を支払う。 その宿題はいくら買う価値がありますか。 我々は、入札コンテストのシンプルなコンピュータモデルを構築し、ゲームエンジンがチェスを学ぶ方法と対決して、入札をうまく教える。 経済的問題、どれだけの勤勉が自分に支払うか、そして、コンテストが正確に解けるほど複雑になったときの計算的問題は、どちらも単一のものによって制御される。 我々の主な発見は、正しい勤勉の量は穏やかで有限であるということである。 勤勉が高価になり、両サイドが宿題をしているとき、競争がより多くのことを知る価値を損なうため、さらに低下する。 単純で汎用的なセルフプレイ手法は、このようなゲーム用に構築される特殊な高価なアルゴリズムに匹敵する可能性がある。 高価なフロンティアAIのない普通のラップトップで実行すると、単純な方法が自己学習のアプローチのベストであることがわかった。 単純な方法は、ゲームが正確に解決するには大きすぎるときにのみ、その保持を得られる。これは、現実の取引が生き残る体制であり、そこでは、強力な入札戦略がまだ見つからないことが示される。 コントリビューションは3つある: 不確実性の下での取引の作り方を研究するための安価で再現可能な方法、デュリジェンスの価値に対する具体的なモデルベースの回答、そして、軽量で汎用的なAIが特定の方法を置き換えるのに十分なタイミングを示す証拠。 すべてのゲーム、コード、実験をリリースします。

関連論文リスト

• LeAct: Learning to Reason from Expert Actions [55.48554303260889]
  エキスパートシステムは、さまざまなドメインにまたがって、ほぼ最適なアクションを生成する。 実証された行動を超えて一般化する学生に専門家の知識を蒸留する方法を示す。 専門的なシステムは、基礎モデルのための教師の推論の分類学的に新しい情報源となる。
  論文  参考訳（メタデータ） (2026-07-23T22:50:23Z)
• Automated Approach for Solving Infinite-state Polynomial Reachability Games [9.066824933763142]
  有限個の実変数の値上で定義された無限状態グラフ上でのターンベースリーチビリティゲームについて検討する。 本稿では, 到達性ゲームのためのランキング証明書と, $texttREACH$ playerが指定された初期状態から入賞戦略を持っていることを証明するための健全かつ完全な証明ルールを提案する。 本実験では,既存の手法の到達範囲から外れた文献から,本手法の難解な事例を解く能力について実証した。
  論文  参考訳（メタデータ） (2026-05-11T08:19:14Z)
• Superhuman AI for Stratego Using Self-Play Reinforcement Learning and Test-Time Search [74.17074385045657]
  Stratego(ストラテゴ)は、大量の情報を隠蔽した戦略決定の挑戦を実証したボードゲームである。 この研究は、ストラテゴのパフォーマンスとコストの両方の段階的な変化を確立し、トップヒューマンのレベルに到達するだけでなく、超人的なレベルを達成することが可能になった。
  論文  参考訳（メタデータ） (2025-11-10T17:13:41Z)
• Evaluating Intelligence via Trial and Error [59.80426744891971]
  本研究では,試行錯誤プロセスにおける失敗回数に基づいて知性を評価するためのフレームワークとして,Survival Gameを紹介した。 フェールカウントの期待と分散の両方が有限である場合、新しい課題に対するソリューションを一貫して見つける能力を示す。 我々の結果は、AIシステムは単純なタスクで自律レベルを達成するが、より複雑なタスクではまだまだ遠いことを示している。
  論文  参考訳（メタデータ） (2025-02-26T05:59:45Z)
• Strategically-Robust Learning Algorithms for Bidding in First-Price Auctions [11.988955088595858]
  ゲーム理論と機械学習のインターフェースにおいて,プライスオークションを繰り返し競うことの学習は基本的な問題である。 本稿では,プライスオークションにおける純ストラテジー入札のための新しいコンケーブの定式化を提案し,この問題に対する自然なグラディエント・アセンセント・アルゴリズムの解析に利用した。
  論文  参考訳（メタデータ） (2024-02-12T01:33:33Z)
• Tacit algorithmic collusion in deep reinforcement learning guided price competition: A study using EV charge pricing game [0.0]
  複雑な構造を持つゲームの価格設定のプレイヤーは、人工知能(AI)による学習アルゴリズムの採用が増えている。 正準形式のゲームに関する最近の研究は、無から高レベルの暗黙の共謀まで、対照的な主張を示している。 EV充電ハブが価格を動的に変動させることで競争する現実的なゲームを考える。 数値ケーススタディの結果,0.14～0.45の衝突指数値が得られた。
  論文  参考訳（メタデータ） (2024-01-25T16:51:52Z)
• Learning and Collusion in Multi-unit Auctions [17.727436775513368]
  均一な価格で複数ユニットのオークションを繰り返し検討する。 このオークションの特性をオフラインとオンラインの両方で分析する。 ここでは、$(K+1)$-stの価格形式が入札者間の共謀の影響を受けやすいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T08:00:49Z)
• Mastering the Game of Stratego with Model-Free Multiagent Reinforcement Learning [86.37438204416435]
  Strategoは、人工知能(AI)がまだマスターしていない数少ない象徴的なボードゲームの一つだ。 ストラテゴにおける決定は、行動と結果の間に明らかな結びつきがなく、多数の個別の行動に対してなされる。 DeepNashは、ストラテゴの既存の最先端AIメソッドを破り、Gravonゲームプラットフォームで年間(2022年)と最高3位を達成した。
  論文  参考訳（メタデータ） (2022-06-30T15:53:19Z)
• 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)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• Efficient exploration of zero-sum stochastic games [83.28949556413717]
  ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。 限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。 私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
  論文  参考訳（メタデータ） (2020-02-24T20:30:38Z)
• Provable Self-Play Algorithms for Competitive Reinforcement Learning [48.12602400021397]
  我々はマルコフゲームの設定の下で、競争力強化学習における自己プレイについて研究する。 自己再生アルゴリズムは、ゲームのT$ステップをプレイした後、後悔の$tildemathcalO(sqrtT)$を達成する。 また, 最悪の場合においても, 時間内に実行可能であることを保証し, 若干悪い後悔を招き, エクスプロイトスタイルのアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-02-10T18:44:50Z)

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。