Bayesian Optimization-based Combinatorial Assignment

要約

組み合わせオークションとコース割り当てを含む組み合わせ割り当てドメインを研究します。
この分野での主な課題は、バンドル スペースがアイテム数で指数関数的に増加することです。
これに対処するために、いくつかの論文が最近、エージェントから最も重要な情報のみを引き出すことを目的とした機械学習ベースの嗜好誘発アルゴリズムを提案しました。
ただし、この以前の作業の主な欠点は、まだ引き出されていないバンドルの値に対するメカニズムの不確実性をモデル化していないことです。
この論文では、ベイジアン最適化ベースの組み合わせ割り当て (BOCA) メカニズムを提示することにより、この欠点に対処します。
私たちの主な技術的貢献は、モデルの不確実性を捕捉する方法を反復的な組み合わせオークションメカニズムに統合することです。
具体的には、エージェントへの次のクエリを決定するための取得関数を定義するために使用できる不確実性の上限を推定するための新しい方法を設計します。
これにより、メカニズムは、優先度の引き出し段階でバンドル スペースを適切に探索できます (利用するだけではありません)。
BOCA のパフォーマンスを評価するために、いくつかのスペクトル オークション ドメインで計算実験を実行します。
私たちの結果は、BOCA が最先端のアプローチよりも高い割り当て効率を達成することを示しています。

要約(オリジナル)

We study the combinatorial assignment domain, which includes combinatorial auctions and course allocation. The main challenge in this domain is that the bundle space grows exponentially in the number of items. To address this, several papers have recently proposed machine learning-based preference elicitation algorithms that aim to elicit only the most important information from agents. However, the main shortcoming of this prior work is that it does not model a mechanism’s uncertainty over values for not yet elicited bundles. In this paper, we address this shortcoming by presenting a Bayesian optimization-based combinatorial assignment (BOCA) mechanism. Our key technical contribution is to integrate a method for capturing model uncertainty into an iterative combinatorial auction mechanism. Concretely, we design a new method for estimating an upper uncertainty bound that can be used to define an acquisition function to determine the next query to the agents. This enables the mechanism to properly explore (and not just exploit) the bundle space during its preference elicitation phase. We run computational experiments in several spectrum auction domains to evaluate BOCA’s performance. Our results show that BOCA achieves higher allocative efficiency than state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google