DSIC 仿射最大化竞拍设计的可伸缩神经网络
通过使用机器学习，自动化竞拍设计旨在发现在经验上高收入和激励相容机制。确保主导策略激励相容性是至关重要的，最有效的方法是将机制限制在仿射最大化拍卖中。然而，现有的基于仿射最大化拍卖的方法面临挑战，如可伸缩性问题（由组合候选分配引起）和收入的非可微性。在本文中，为了实现可扩展的基于仿射最大化拍卖的方法，我们进一步将拍卖机制限制在虚拟估值组合拍卖（VVCA）中，这是一种具有明显较少参数的 AMAs 子集。首先，我们使用可并行化的动态规划算法来计算 VVCA 的获胜分配。随后，我们提出了一种结合了零阶和一阶技术来优化 VVCA 参数的新型优化方法。广泛的实验证明了我们提出的方法 [ZFO-VVCA] 在应用于大规模拍卖时的功效和可伸缩性。
Feb, 2024
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
用可微经济学和深度学习实现自动机制设计，引入 GEneral Menu-based NETwork (GemNet) 来解决多竞标者、一般和全面策略性（SP）拍卖的学习问题，通过学习竞标者独立的菜单，使用 Lipschitz 平滑性确保菜单完整性，GemNet 能够学习出收益更高、确切策略性的拍卖，并且具有较强的可解释性。
Jun, 2024
本文提出了一种新的拍卖机制 —— 神经多插槽拍卖（NMA），通过上下文感知列表式预测模块和深度排序模块有效地对广告的全球影响进行建模，同时设计一个辅助损失以有效地降低社会福利的下降，实现了最大化收入和平衡的社会福利，证实了 NMA 在收入和社会福利方面具有更好的性能。
May, 2022
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
针对在线拍卖 / 定价问题的收益最大化问题，我们通过将专家学习和多臂赌博机问题推广到多尺度版本来推导出可缩放最佳固定价格而非价值范围的遗憾界，并且当与需要市场份额下限的基准进行比较时，可以获得几乎无尺度的遗憾界，同时满足离线样本复杂性。
May, 2017
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