Deep Contract Design via Discontinuous Networks

要約

契約の設計には、代理人の行為から生じる結果に対する支払いについて契約上の合意を確立する本人が関与します。
この論文では、最適な契約の自動設計のための深層学習の研究を開始します。
我々は、新しい表現である不連続 ReLU (DeLU) ネットワークを導入します。これは、プリンシパルの効用を、各部分が特定のアクションを実行するエージェントに対応する契約設計の不連続な区分的アフィン関数としてモデル化します。
DeLU ネットワークは、エージェントのインセンティブ互換性制約とプリンシパルの効用最大化目標の閉形式を暗黙的に学習し、最適なコントラクトを解く線形計画法または内点法を通じて各部分の並列推論をサポートします。
少数のトレーニング サンプルとスケーリングを使用してプリンシパルの効用関数を近似し、多数のアクションと結果を伴う問題に対してほぼ最適な契約を見つけることに成功したことを示す経験的結果を提供します。

要約(オリジナル)

Contract design involves a principal who establishes contractual agreements about payments for outcomes that arise from the actions of an agent. In this paper, we initiate the study of deep learning for the automated design of optimal contracts. We introduce a novel representation: the Discontinuous ReLU (DeLU) network, which models the principal’s utility as a discontinuous piecewise affine function of the design of a contract where each piece corresponds to the agent taking a particular action. DeLU networks implicitly learn closed-form expressions for the incentive compatibility constraints of the agent and the utility maximization objective of the principal, and support parallel inference on each piece through linear programming or interior-point methods that solve for optimal contracts. We provide empirical results that demonstrate success in approximating the principal’s utility function with a small number of training samples and scaling to find approximately optimal contracts on problems with a large number of actions and outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google