Accelerated Preference Elicitation with LLM-Based Proxies

要約

組み合わせのオークションの入札者は、競売人への好みを説明する際に大きな課題に直面しています。
好みの誘発に関する古典的な作業は、適切な学習からインスピレーションを得たクエリベースの手法に焦点を当てています – 多くの場合、入札者とオークションメカニズムの間のインターフェースを介して、効率的な割り当てを計算するために必要に応じて入札者の好みを徐々に学習します。
このような誘発メカニズムは理論的なクエリ効率を享受していますが、必要なコミュニケーションの量は、実際にはまだ認知的に課税されている可能性があります。
自然言語を使用して入札者から好みを引き出すための効率的なLLMベースのプロキシデザインのファミリーを提案します。
提案されているメカニズムは、LLMパイプラインとDNF-Proper学習手法を組み合わせて、通信が制限されている場合に好みを迅速に近似します。
アプローチを検証するために、自然言語で通信する誘発メカニズムのテストサンドボックスを作成します。
私たちの実験では、私たちの最も有望なLLMプロキシ設計は、古典的な適切な学習ベースの誘発メカニズムの5倍少ないクエリで、ほぼ効率的な結果に達します。

要約(オリジナル)

Bidders in combinatorial auctions face significant challenges when describing their preferences to an auctioneer. Classical work on preference elicitation focuses on query-based techniques inspired from proper learning–often via proxies that interface between bidders and an auction mechanism–to incrementally learn bidder preferences as needed to compute efficient allocations. Although such elicitation mechanisms enjoy theoretical query efficiency, the amount of communication required may still be too cognitively taxing in practice. We propose a family of efficient LLM-based proxy designs for eliciting preferences from bidders using natural language. Our proposed mechanism combines LLM pipelines and DNF-proper-learning techniques to quickly approximate preferences when communication is limited. To validate our approach, we create a testing sandbox for elicitation mechanisms that communicate in natural language. In our experiments, our most promising LLM proxy design reaches approximately efficient outcomes with five times fewer queries than classical proper learning based elicitation mechanisms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google