推进可微经济学：面向收益最大化组合拍卖机制的神经网络框架
计算机科学与博弈论
2025-02-03 v1
摘要
可微经济学在自动机制设计（AMD）中使用神经网络作为函数近似器并进行基于梯度的优化，随着 RegretNet \citep{regretnet_paper} 的提出取得了重大突破。它结合了深度学习的灵活性与基于遗憾的方法来放宽激励相容性，从而允许对收益最大化拍卖进行近似。然而，将这些技术应用于组合拍卖（CAs）——其中投标者对物品组合而非单个物品进行估值，以捕获物品间的相互依赖关系——仍然是一个挑战，主要原因在于缺乏能够有效处理组合约束的方法论。为解决此问题，我们提出了两种架构：CANet，一种全连接神经网络；以及 CAFormer，一种基于 Transformer 的模型，旨在学习最优随机机制。与传统 AMD 中的现有方法不同，我们的方法更具可扩展性，且不依赖对允许组合结构或投标者估值的假设。我们证明，我们的模型在非组合环境下与现有方法表现相当，并为组合拍卖设定了新的基准。具体而言，我们的模型始终优于源自启发式方法的基准机制，并在无法获得解析解的情况下提供了经验解。这项工作填补了将可微经济学应用于组合拍卖的空白，为设计收益最大化机制提供了一个可扩展且灵活的框架。
引用
@article{arxiv.2501.19219,
title = {Advancing Differentiable Economics: A Neural Network Framework for Revenue-Maximizing Combinatorial Auction Mechanisms},
author = {Mai Pham and Vikrant Vaze and Peter Chin},
journal= {arXiv preprint arXiv:2501.19219},
year = {2025}
}