論文の概要: Extending Myerson's Optimal Auctions to Correlated Bidders via Neural Network Interpolation

• arxiv url: http://arxiv.org/abs/2610.24240v1
• Date: Fri, 16 Oct 2026 21:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 02:56:06.183923
• Title: Extending Myerson's Optimal Auctions to Correlated Bidders via Neural Network Interpolation
• Title（参考訳）: ニューラルネットワーク補間による相関バイダへのマイソンの最適オークションの拡張
• Abstract要約: 我々は,決定論的,戦略的,かつ個別に合理的な,収益を最大化する単品オークションを設計することを目指している。 経験的パイプラインを提案することにより、この理論的にハードなモデルのための新しい標準経験的厳密性を確立する。 当社のアプローチは大幅な改善を示し、収益格差を桁違いに減らします。
• 参考スコア（独自算出の注目度）: 33.68389435476025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We aim to design revenue-maximizing single-item auctions that are deterministic, strategy-proof, and ex post individually rational --- the quintessential fundamental model for optimal mechanism design. While Myerson's seminal work solved this model for independent bidders, straightforward extensions to correlated settings often result in non-monotonic, and therefore non-strategy-proof allocations. Critically, optimal allocation design for correlated bidders is NP-hard to approximate, rendering theoretical optimality guarantees in this domain computationally intractable. We establish a new standard of empirical rigor for this theoretically hard model by proposing an empirical pipeline. We synthesize neural interpolation of Myerson's greedy allocation based on marginal profits (the correlated variant of virtual valuation), formal neural verification to enforce exact strategy-proofness, and a constructive repair procedure. Empirically, our method is highly effective, consistently achieves near-optimal revenue across a wide range of distributions, including synthetic, adversarial, and real-world (consumer, financial, and industrial) datasets. Compared to existing manual and neural baselines, our approach shows substantial improvement, often reducing the revenue gap by an order of magnitude. Our study is also the first to introduce (unattainable) greedy revenue as a rigorous upper bound for empirical benchmarking, providing a definitive quantitative performance measure where true optima remain theoretically elusive. We demonstrate the generality of our approach by extending it to multi-unit auctions with unit demand and integrating our verification techniques into RegretNet to achieve exact strategy-proofness.
• Abstract（参考訳）: 最適メカニズム設計のための重要な基本モデルである、決定論的、戦略的、かつ個別に合理的な、収益を最大化する単品オークションを設計することを目指している。 マーソンの独創的な研究がこのモデルを独立した入札者のために解いたのに対し、関連する設定への直接的な拡張は、しばしば非単調であり、したがって非ストラテジー的な割り当てをもたらす。 決定的に、相関入札者の最適割当設計はNPハードで近似し、この領域における理論的最適性を保証する。 我々は、経験的パイプラインを提案し、この理論的に硬いモデルに対する経験的厳密性の新しい標準を確立する。 我々は、マーソンの欲求配分の神経補間を、限界利益(仮想的評価の相関変異)、厳密な戦略保護を強制するための形式的神経検証、建設的修復手順に基づいて合成する。 経験的に,本手法は極めて効果的であり,総合的,敵対的,実世界(消費者,金融,産業)のデータセットを含む幅広い分布において,ほぼ最適の収益を継続的に達成する。 既存のマニュアルやニューラルベースラインと比較して、我々のアプローチは大幅に改善され、収益格差は桁違いに減少することが多い。 また,本研究では,経験的ベンチマークのための厳密な上限として,(持続不可能な)強欲な収益を初めて導入し,真の最適性が理論的に解明可能な正確な定量的評価指標を提供する。 本稿では,マルチユニットオークションにユニット要求で拡張し,その検証手法をRegretNetに統合し,正確な戦略保護を実現することによって,アプローチの汎用性を実証する。

関連論文リスト

• Mind the Gap: Structure-Aware Consistency in Preference Learning [42.67092904252001]
  嗜好学習は、大規模言語モデルと人間の意図との整合の基礎となっている。 ニューラルネットワークに典型的な等連続仮説集合に対して、標準代理は理論的に矛盾することを示す。 分離マージンの強制に依存する厳格な$H$一貫性境界を導出する。 我々はこれをStructure-Aware $H$-consistencyに拡張し、同義語とハードペアを扱うための応答間の意味的距離に基づいてマージンを適応する新しい目的(SA-DPO)を導入する。
  論文  参考訳（メタデータ） (2026-04-30T11:24:04Z)
• T-TAMER: Provably Taming Trade-offs in ML Serving [32.526955555483354]
  我々は、この設定を多段階決定プロセスとして定式化する一般的なフレームワーク、T-Tamerを提案する。 我々の主な結果は、リコールは、証明可能なパフォーマンス保証を達成するのに必要であり、十分であることを示している。 その結果、リコールベースの戦略は効率のよいレイテンシトレードオフをもたらすことがわかった。
  論文  参考訳（メタデータ） (2025-09-26T23:08:03Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
  機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。 ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。 実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
  論文  参考訳（メタデータ） (2024-01-28T21:19:15Z)
• Integrating Fairness and Model Pruning Through Bi-level Optimization [16.213634992886384]
  フェアネス基準に準拠したスパースモデルを開発することを含む、フェアモデルプルーニングという新しい概念を導入する。 特に,プルーニングマスクと重み更新処理を公平性制約で協調的に最適化する枠組みを提案する。 このフレームワークは、統一されたプロセスにおける公正性を確保しながら、パフォーマンスを維持するモデルを圧縮するように設計されている。
  論文  参考訳（メタデータ） (2023-12-15T20:08:53Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)

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。