Strategy-Proof Auctions through Conformal Prediction

要約

オークションは、売り手の収益を最大化し、買い手間の誠実な入札を保証するための鍵です。
最近、深層学習に基づく微分可能経済学として知られるアプローチが、複数の商品や参加者にとって最適なオークション メカニズムを学習する上で有望であることが示されています。
ただし、このアプローチにはテスト時の戦略証明性の保証はありません。
戦略の証明性は、買い手に真の評価額を入札する動機を確実に与え、操作のリスクなしに最適かつ公正なオークション結果につながるため、非常に重要です。
コンフォーマル予測に基づいて、厳密な統計的保証を備えた戦略証明性を達成するための新しいアプローチを導入します。
私たちの方法の主な新しさは次のとおりです。(i) テスト時に戦略耐力の違反を定量化するために使用されるリグロング予測モデルの定式化。
(ii) 新しいオークションに関して、データ駆動型メカニズムが高い確率 (例: 99%) で戦略証明性要件を満たしていることを保証するために、予測された後悔を利用するオークション受諾ルール。
数値実験は、厳密な保証の必要性、理論的結果の妥当性、および提案した方法の適用可能性を示しています。

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 deep learning shows promise in learning optimal 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. Building on conformal prediction, we introduce a novel approach to achieve strategy-proofness with rigorous statistical guarantees. The key novelties of our method are: (i) the formulation of a regret prediction model, used to quantify at test time violations of strategy-proofness; and (ii) an auction acceptance rule that leverages the predicted regret to ensure that for a new auction, the data-driven mechanism meets the strategy-proofness requirement with high probability (e.g., 99\%). Numerical experiments demonstrate the necessity for rigorous guarantees, the validity of our theoretical results, and the applicability of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google