Naive Algorithmic Collusion: When Do Bandit Learners Cooperate and When Do They Compete?

要約

アルゴリズム エージェントは、さまざまな競争上の意思決定の場面で使用されており、特にオンライン小売から住宅レンタルに至るまでの状況で価格決定を行う際に使用されます。
企業経営者、アルゴリズム設計者、法学者、規制当局は同様に「アルゴリズム共謀」の影響について検討し始めている。
私たちは、エージェントが競争している状況で使用される多腕バンディット機械学習アルゴリズムの創発的な動作を研究していますが、エージェントは彼らが従事している戦略的相互作用についての情報を持っていません。一般形式の反復囚人のジレンマ ゲームを使用して、エージェントはオンライン学習に従事します。
ゲーム構造の以前のモデルがなく、競合他社の状態や行動についての知識もありません(たとえば、競合する価格の観察もありません)。
私たちは、これらの文脈自由な盗賊が、敵対者の選択や結果について何も知らないにもかかわらず、一貫して共謀行動、つまり私たちが「素朴な共謀」と呼ぶ行動を学習することを示します。
私たちは主に解析モデルを通じてこのシステムを研究し、シミュレーションを通じてモデルへの摂動を調べます。
私たちの調査結果は、規制当局にとっていくつかの注目すべき影響を及ぼします。
第一に、アルゴリズムが競合他社の価格に条件付けされることを制限するという呼びかけは、アルゴリズムの共謀を防ぐには不十分である。
これは、素朴な設定でも共謀が発生したことの直接の結果です。
第 2 に、アルゴリズムの対称性により共謀の可能性が高まる可能性があります。
これは、「ハブアンドスポーク」アルゴリズムによる共謀のための新しい単純なメカニズムを浮き彫りにしています。
中央ディストリビューターは、明らかな共謀を引き起こすためにアルゴリズムに超競争的な傾向を植え付ける必要はありません。
これは、特定の (一般的な) 機械学習アルゴリズムを使用することによって簡単に発生する可能性があります。
最後に、共謀の結果は使用される特定のアルゴリズムに大きく依存することを強調し、共謀が発生するかどうかが事前に不明である市場およびアルゴリズムの条件を強調します。

要約(オリジナル)

Algorithmic agents are used in a variety of competitive decision settings, notably in making pricing decisions in contexts that range from online retail to residential home rentals. Business managers, algorithm designers, legal scholars, and regulators alike are all starting to consider the ramifications of ‘algorithmic collusion.’ We study the emergent behavior of multi-armed bandit machine learning algorithms used in situations where agents are competing, but they have no information about the strategic interaction they are engaged in. Using a general-form repeated Prisoner’s Dilemma game, agents engage in online learning with no prior model of game structure and no knowledge of competitors’ states or actions (e.g., no observation of competing prices). We show that these context-free bandits, with no knowledge of opponents’ choices or outcomes, still will consistently learn collusive behavior – what we call ‘naive collusion.’ We primarily study this system through an analytical model and examine perturbations to the model through simulations. Our findings have several notable implications for regulators. First, calls to limit algorithms from conditioning on competitors’ prices are insufficient to prevent algorithmic collusion. This is a direct result of collusion arising even in the naive setting. Second, symmetry in algorithms can increase collusion potential. This highlights a new, simple mechanism for ‘hub-and-spoke’ algorithmic collusion. A central distributor need not imbue its algorithm with supra-competitive tendencies for apparent collusion to arise; it can simply arise by using certain (common) machine learning algorithms. Finally, we highlight that collusive outcomes depend starkly on the specific algorithm being used, and we highlight market and algorithmic conditions under which it will be unknown a priori whether collusion occurs.

arxiv情報

著者 Connor Douglas,Foster Provost,Arun Sundararajan
発行日 2024-11-25 16:58:07+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.GT, cs.MA, econ.GN, q-fin.EC パーマリンク