具有内生抽样的经验收益最大化算法的博弈论分析
计算机科学与博弈论
2020-10-13 v1 机器学习
理论经济学
摘要
经验收益最大化 (ERM) 是拍卖设计中最重要价格学习算法之一：文献表明，它能在重复拍卖与统一价格拍卖中为收益最大化拍卖方学习近似最优保留价。然而，在这些应用中，向 ERM 提供输入的代理有动机操纵输入以压低输出价格。我们推广了 Lavi 等人 (2019) 提出的激励感知度量定义，以量化因改变 N 个输入样本中的 m≥1 个而导致的 ERM 输出价格下降，并给出当 N 趋于无穷时该度量针对不同输入分布的收敛速率。采用此度量，我们针对非短视投标者构建了一种在重复拍卖中基于 ERM 的高效、近似激励兼容且收益最优的学习算法，并证明了在统一价格拍卖中的近似群体激励兼容性。
引用
@article{arxiv.2010.05519,
title = {A Game-Theoretic Analysis of the Empirical Revenue Maximization Algorithm with Endogenous Sampling},
author = {Xiaotie Deng and Ron Lavi and Tao Lin and Qi Qi and Wenwei Wang and Xiang Yan},
journal= {arXiv preprint arXiv:2010.05519},
year = {2020}
}
备注
NeurIPS 2020