A Scalable Neural Network for DSIC Affine Maximizer Auction Design

要約

自動オークション設計は、機械学習を通じて経験的に高収益のメカニズムを見つけることを目的としています。
マルチアイテム オークション シナリオに関する既存の研究は、RegretNet のようなアプローチとアフィン マキシマイザー オークション (AMA) のアプローチに大別できます。
しかし、前者はドミナント・ストラテジー・インセンティブ互換性（DSIC）を厳密に保証することができず、後者は割り当て候補数が多いためスケーラビリティの問題に直面します。
これらの制限に対処するために、入札者と商品の表現から AMA パラメーター (割り当てメニューも含む) を構築するスケーラブルなニューラル ネットワークである AMenuNet を提案します。
AMenuNet は、AMA の特性により常に DSIC および個別合理的 (IR) であり、ニューラル ネットワークを通じて候補割り当てを生成することでスケーラビリティを強化します。
さらに、AMenuNet は順列等変であり、パラメータの数はオークションの規模に依存しません。
私たちは広範な実験を行って、AMenuNet がコンテキストおよび非コンテキストの両方のマルチアイテム オークションで強力なベースラインを上回り、より大規模なオークションに適切に拡張し、さまざまな設定に適切に一般化し、有用な決定論的な割り当てを特定することを実証します。
全体として、私たちが提案するアプローチは、さまざまな設定でスケーラビリティが向上し、優れた収益パフォーマンスを実現する、自動化された DSIC オークション設計に対する効果的なソリューションを提供します。

要約(オリジナル)

Automated auction design aims to find empirically high-revenue mechanisms through machine learning. Existing works on multi item auction scenarios can be roughly divided into RegretNet-like and affine maximizer auctions (AMAs) approaches. However, the former cannot strictly ensure dominant strategy incentive compatibility (DSIC), while the latter faces scalability issue due to the large number of allocation candidates. To address these limitations, we propose AMenuNet, a scalable neural network that constructs the AMA parameters (even including the allocation menu) from bidder and item representations. AMenuNet is always DSIC and individually rational (IR) due to the properties of AMAs, and it enhances scalability by generating candidate allocations through a neural network. Additionally, AMenuNet is permutation equivariant, and its number of parameters is independent of auction scale. We conduct extensive experiments to demonstrate that AMenuNet outperforms strong baselines in both contextual and non-contextual multi-item auctions, scales well to larger auctions, generalizes well to different settings, and identifies useful deterministic allocations. Overall, our proposed approach offers an effective solution to automated DSIC auction design, with improved scalability and strong revenue performance in various settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google