Machine Learning-Powered Combinatorial Clock Auction

要約

私たちは反復組み合わせオークション (ICA) の設計を研究します。
このドメインの主な課題は、バンドル スペースがアイテム数に応じて急激に増加することです。
これに対処するために、最近いくつかの論文が、入札者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 (ML) ベースの優先順位引き出しアルゴリズムを提案しました。
しかし、実際的な観点から見ると、この以前の研究の主な欠点は、これらの設計が値のクエリ (つまり、「バンドル $\{A,B\}$ の価値はいくらですか?」) を通じて入札者の好みを引き出すことです。
‘)。
ほとんどの現実世界の ICA ドメインでは、値クエリは入札者に非現実的に高い認知的負担を課すため、非現実的であると考えられており、実際には使用されません。
この論文では、要求クエリ (つまり、「価格 $p$ で、最も望ましいアイテムのバンドルは何ですか?」) を介してのみ入札者から情報を引き出す、ML を利用した組み合わせ時計オークションを設計することで、この欠点に対処します。
。
私たちは 2 つの重要な技術的貢献を行っています。まず、オンデマンド クエリで ML モデルをトレーニングするための新しい方法を紹介します。
次に、これらのトレーニングされた ML モデルに基づいて、最も高い決済可能性を持つ需要クエリを決定するための効率的な方法を導入します。これには理論的基盤も提供します。
私たちは、ML ベースのデマンド クエリ メカニズムをいくつかのスペクトル オークション ドメインで実験的に評価し、最も確立された現実世界の ICA、つまり組み合わせクロック オークション (CCA) と比較します。
私たちのメカニズムは、すべてのドメインにおける効率の点で CCA を大幅に上回っており、大幅に削減されたラウンド数でより高い効率を実現し、直線価格を使用することで、非常に高い決済可能性を示します。
したがって、このホワイトペーパーでは、研究と実践の間のギャップを埋め、初の実用的な ML を利用した ICA を提案します。

要約(オリジナル)

We study the design of iterative combinatorial auctions (ICAs). 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 (ML)-based preference elicitation algorithms that aim to elicit only the most important information from bidders. However, from a practical point of view, the main shortcoming of this prior work is that those designs elicit bidders’ preferences via value queries (i.e., “What is your value for the bundle $\{A,B\}$?”). In most real-world ICA domains, value queries are considered impractical, since they impose an unrealistically high cognitive burden on bidders, which is why they are not used in practice. In this paper, we address this shortcoming by designing an ML-powered combinatorial clock auction that elicits information from the bidders only via demand queries (i.e., “At prices $p$, what is your most preferred bundle of items?”). We make two key technical contributions: First, we present a novel method for training an ML model on demand queries. Second, based on those trained ML models, we introduce an efficient method for determining the demand query with the highest clearing potential, for which we also provide a theoretical foundation. We experimentally evaluate our ML-based demand query mechanism in several spectrum auction domains and compare it against the most established real-world ICA: the combinatorial clock auction (CCA). Our mechanism significantly outperforms the CCA in terms of efficiency in all domains, it achieves higher efficiency in a significantly reduced number of rounds, and, using linear prices, it exhibits vastly higher clearing potential. Thus, with this paper we bridge the gap between research and practice and propose the first practical ML-powered ICA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google