Feb, 2024

零阶和一阶优化方法相结合的可扩展虚拟估值组合拍卖设计

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 拍卖中的学习：遗憾很难，嫉妒很容易

    本研究提出一种称为“无嫉妒学习”的拍卖学习概念，它是建立在 Walras 均衡基础上的，可有效实现且结果达到近似最优福利，即使投标人有分数次可减（XOS）估值或覆盖估值（无需具备要求），同时扩展到其他在文献中研究过的拍卖格式。

    Nov, 2015

  • 自动机制设计的样本复杂度

    本研究探讨自动机制设计算法在组合拍卖中的应用，提供了关于组合拍卖类的样本复杂度分析，为自动机制设计奠定了坚实基础并推进了学习理论的边界。

    Jun, 2016

  • 高效在线学习和拍卖设计

    本文研究了对手环境下的在线学习算法的设计，提出了广义随机扰动跟随者算法，且证明了在一定条件下它是牛逼优而且可以实现消失的后悔；同时，本文也提出了另一个基于拍卖设计的框架，用于帮助拍卖师在选举获得最佳的拍卖方式方面做出决策，并且得到相应的应用。

    Nov, 2016

  • 多商品利润最大化的泛化保证：定价、拍卖和随机机制

    本文探讨基于样本分布设计多项货品机制，利用分段线性结构证明了利润上限，并提出了优化复杂性和准确性之间的平衡的工具。

    Apr, 2017

  • 深度学习优化拍卖：可微分经济学的进展

    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。

    Jun, 2017

  • 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

  • DSIC仿射最大化竞拍设计的可伸缩神经网络

    提出AMenuNet，一种基于神经网络的机器学习模型，有效解决了多项拍卖场景中现有技术的限制，其参数与拍卖规模无关，总体而言在各种环境下都具有较强的收益表现。

    May, 2023

  • 机器学习的组合时钟拍卖

    本文介绍了ML-powered iterative combinatorial auctions（ICAs）的设计，通过使用demand queries而非value queries采集bidders的偏好信息，该方法在实验中显示出高效性和潜力，克服了value queries的认知负担限制，为研究和实践搭建了桥梁。

    Aug, 2023

  • 深度强化学习在序列组合拍卖中的应用

    针对顺序组合拍卖的收益优化拍卖设计问题，本研究提出了一种新的强化学习框架，利用一阶梯度改进了传统的计算方法并在复杂实际拍卖场景中取得了显著的收益改善。

    Jul, 2024

  • 含少量样本的在线组合分配和拍卖

    本研究针对在线组合分配和拍卖中的样本有限性问题，提出了在仅获得每个竞标者一份样本的情况下仍能实现 O(1) 竞争算法的可能性。这一发现利用了一种新颖的秘书式分析扩展。进一步的研究表明，通过多项样本可以获得 (2+\epsilon) 的在线真实机制，显著提升了已有的在线拍卖效果。

    Sep, 2024