深度学习优化拍卖：可微分经济学的进展

ICMLJun, 2017

深度学习优化拍卖：可微分经济学的进展

Optimal Auctions through Deep Learning: Advances in Differentiable Economics

Paul Dütting, Zhe Feng, Harikrishna Narasimhan, David C. Parkes, Sai Srivatsa Ravindranath

TL;DR使用深度学习工具，将拍卖建模为多层神经网络，将最优拍卖设计作为约束学习问题，并演示如何使用标准机器学习管道解决此问题。

Abstract

Designing an incentive compatible auction that maximizes expected revenue is an intricate task. The single-item case was resolved in a seminal piece of work by Myerson in 1981, but more than 40 years later a full

incentive compatible auction expected revenue deep learning optimal auction design machine learning

发现论文，激发创造

拍卖学习作为双人博弈

本文探讨了拍卖设计中激励兼容的问题，提出了使用神经网络和拉格朗日乘数法来实现优化拍卖的新思路，并将其形式化为双人博弈模型。

Jun, 2020

基于神经网络的自动化机制设计

本文介绍的是一个名为 MenuNet 的神经网络框架，它可以自动化地设计出最优拍卖机制，且在实验中得到的机制都是 incentive-compatible 的，能够在多项收入最优设计中应用，并经过理论证明的机制是最优的。

May, 2018

PreferenceNet: 深度学习中将人类偏好编码于拍卖设计中

本研究提出了 PreferenceNet，一种基于神经网络的拍卖机制，并利用人类提供的样本对所提出的机制进行了约束编码。同时，该研究引入了一种新的指标来评估拍卖分配的社会可取性，并通过人类主体研究验证了方法的有效性。

Jun, 2021

智能代理和机制学习算法

论文研究强化学习及拍卖设计的优化决策算法，包括最大熵强化学习、基于贝叶斯角度的强化学习、策略学习算法 LEEP、匿名拍卖用于对称性保护的神经网络 EquivariantNet 及用于拍卖学习问题的双人博弈算法 ALGNet。

Oct, 2022

用于拍卖设计的置换等变神经网络结构

通过使用具有置换等变性的神经结构，建立一个新的拍卖设计方法，提高对拍卖设计的预期收益和一般化性能。

Mar, 2020

神经拍卖：端到端学习用于电子商务广告拍卖的拍卖机制

该研究提出 Deep Neural Auctions (DNAs) 模型，通过设计可微分模型解决了拍卖机制中的离散排序操作问题，实现了端到端的拍卖学习，提高了基于电商广告的多种性能指标的效果。

Jun, 2021

数据市场设计通过深度学习

利用深度学习方法设计收入最优的数据市场，可以几乎精确地复制所有已知的理论解决方案，扩展到更复杂的环境，并用于建立数据市场最优设计的结构推测。

Oct, 2023

拍卖设计中的模式连接性

研究神经网络在拍卖设计及优化中的应用，证明了不可凸优化问题中局部最优解之间存在简单的分段线性路径，网络的表现满足模态连通性。

May, 2023

人工智能与拍卖设计

本文探究了重复拍卖中的拍卖设计，其中通过简单人工智能算法 (Q-learning) 进行拍卖。我们发现，在没有额外反馈的情况下，第一价格拍卖会导致默认勾结结果（竞投低于价值），而第二价格拍卖则不会。我们展示了这种差异是由第一价格拍卖中超越竞争者一个出价单位的刺激所驱动的。这在经过试验阶段之后便有助于实现对低竞标的重新协调。同时，我们还发现，谷歌在转向第一价格拍卖时引入的有关获胜的最低竞标的信息提供，增加了拍卖的竞争度。

Feb, 2022

多单位拍卖设计的人工智能

理解多单位拍卖中的竞标行为是研究者面临的持续挑战之一。本文利用人工智能，具体而言是强化学习作为一种无模型学习方法，来模拟三种常用多单位拍卖的竞标行为，讨论了六种适用于学习和竞标的算法，并通过一个示例进行比较。本文强调了在拍卖设计中使用人工智能的重要性，特别是在增强多单位拍卖的设计方面。

Apr, 2024