Conformalized Strategy-Proof Auctions

要約

オークションは、売り手の収益を最大化し、買い手間の真実の入札を確保するための鍵です。
最近、機械学習（ML）に基づいた微分可能な経済学として知られるアプローチは、複数のアイテムと参加者の強力なオークションメカニズムを学習することに有望であることを示しています。
ただし、このアプローチには、テスト時に戦略防止性の保証はありません。
戦略は、バイヤーが真の評価を入札するように奨励され、操作のリスクなしに最適かつ公正なオークションの結果につながることを保証するため、戦略防止性が重要です。
この作業では、統計的戦略防止オークションメカニズムの定式化を提案し、事前定義されたしきい値を超える後悔の確率が厳密に制御されるようにします。
コンフォーマル予測技術に基づいて、データ駆動型のオークションメカニズムが高い確率で統計的戦略防止要件を満たしていることを保証するために、後悔の予測を活用するオークションの受け入れルールを開発します。
私たちのアプローチは、2つの極端な間の実用的な中間地面を表しています。ゼロレグレットを大幅に収益損失の犠牲を払って強制し、MLを使用してテスト時に低い後悔を達成することを期待してオークションを構築することです。
数値実験は、提案された方法の必要性、理論的結果の妥当性、およびその適用性を示しています。

要約(オリジナル)

Auctions are key for maximizing sellers’ revenue and ensuring truthful bidding among buyers. Recently, an approach known as differentiable economics based on machine learning (ML) has shown promise in learning powerful auction mechanisms for multiple items and participants. However, this approach has no guarantee of strategy-proofness at test time. Strategy-proofness is crucial as it ensures that buyers are incentivized to bid their true valuations, leading to optimal and fair auction outcomes without the risk of manipulation. In this work, we propose a formulation of statistical strategy-proofness auction mechanism, ensuring that the probability of regret exceeding a predefined threshold is strictly controlled. Building upon conformal prediction techniques, we develop an auction acceptance rule that leverages regret predictions to guarantee that the data-driven auction mechanism meets the statistical strategy-proofness requirement with high probability. Our approach represents a practical middle-ground between two extremes: forcing zero-regret at the cost of significant revenue loss, and naively using ML to construct auctions with the hope of attaining low regret at test time. Numerical experiments demonstrate the necessity of the proposed method, the validity of our theoretical result, and its applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google