May, 2024

保序在线拍卖设计

PDF
TL;DR基于预测区间的方法，提出了符合在线拍卖设计 (COAD)，以量化竞标者价值的不确定性为基础，实现在线拍卖的最大化收益。COAD 结合了竞标者和物品特征，并利用历史数据提供一种激励兼容的机制。与传统在线拍卖方法不同，COAD 采用无分布、基于预测区间的方法，使用一种新颖的符合预测技术。这种方法确保我们的机制所期望的收益至少能达到最优机制生成的收益的一个恒定比例。此外，COAD 可以使用各种现代机器学习方法，包括随机森林、核方法和深度神经网络，预测竞标者的价值，并确保在任何有限的历史数据样本下有良好的收益表现。此外，COAD 基于竞标者的估值下限引入了竞标者特定的保留价格，不同于文献中常用的统一保留价格。我们通过广泛的模拟和真实数据应用验证了我们的理论预测。所有使用 COAD 和重现结果的代码都可以在 GitHub 上获得。
conformal online auction designrevenue maximizationuncertainty quantificationincentive-compatible mechanismprediction interval-based approach
发现论文，激发创造
  • 基于一致性预测的无操纵拍卖策略

    利用可区分经济学、遗憾预测模型和一种能确保拍卖机制具有战略不可篡改性的拍卖接受规则，本研究提出了一种新方法来确保拍卖过程中买家被鼓励出真实估值，以实现最优且公平的拍卖结果，并通过数值实验证明了该方法的适用性和有效性。

    May, 2024

  • 带有预算的重复二价拍卖中的协调动态竞标

    本文研究了协同在线竞标算法在具有预算限制的重复次数第二价格拍卖中的效率，提出保证每个客户比独立竞标获得更高效用价值的算法，并以在线学习和均衡分析为技术支持，实现与多维基准的竞争。

    Jun, 2023

  • 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

  • 在线广告拍卖中控制歧视的趋势

    本文提出一种有限制的广告拍卖框架，以确保广告展示给适当数量的敏感人群，解决广告平台可能存在的性别或种族歧视并最大化平台收益的问题。基于 Myerson 的经典工作，我们提出了一个优化的拍卖机制，并使用梯度下降算法解决了非凸问题，通过 A1 Yahoo 数据集实证证明该算法可以在在少量的收益损失和人群规模更改下，使每位广告主获得统一的覆盖率。

    Jan, 2019

  • 多单位拍卖中的在线学习

    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

  • 动态激励感知学习：上下文拍卖中的鲁棒性定价

    本文提出了一种学习策略，通过观察过去的销售数据来设定保留价格，以最小化对收入的后悔，同时本文也探讨了市场噪声分布已知和未知情况下的学习政策和保留价格的设计。

    Feb, 2020

  • 拍卖带附加信息的样本复杂度

    本论文提出了一种新的拍卖模型，通过使用拍卖者在拍卖时获得的某些侧面信息来区分事先相同的竞标人，通过拓展 Dhangwatnotai et al. 和 Cole 和 Roughgarden 的样本复杂度方法来获得了几乎匹配的上限和下限，使用经验风险最小化技术来改进 Cole 和 Roughgarden 的样本复杂度界限。

    Nov, 2015

  • 共形在线模型聚合

    这篇论文介绍了一种在在线环境中通过投票将多个算法的预测集合结合起来的方法，从而解决了在 conformal prediction 中的模型选择和 / 或聚合问题。

    Mar, 2024

  • 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

  • 统一分布的拍卖的二重性和最优性

    该研究提出了一个通用的二元性理论框架，用于在贝叶斯加法拍卖中实现收入最大化，应用线性规划的二元性和补充性到具有偏导数限制的约束中，将对偶系统用于推导最佳机制，并提出一种叫做 SJA 的确定性销售机制，经证明在最多 6 件物品的情况下是最优的。

    Apr, 2014