拍卖学习作为双人博弈
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
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
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
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
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
该论文研究了在重复多单位拍卖中基于均匀定价的两个变体,并分析了在线和离线设置下的问题。作者提出了离线最优策略算法,并设计了高效的在线算法,同时通过博弈理论探究了平衡的质量。
May, 2023
本文主要研究拍卖设计中的核心问题,即开发一种有激励的机制来最大化拍卖人的预期收入,通过将竞标者和物品的共有上下文信息因式分解到拍卖学习框架中,提出了一种上下文整合基于变压器的神经网络,名为 CITransNet,旨在找到非对称的解决方案。经过大量实验,发现 CITransNet 在单一项目设置中可恢复已知的最优解,在多项目拍卖中胜过强大的基准线,并且对训练之外的情况具有很好的概括性。
Jan, 2022