弥合估计后悔与真实后悔之间的差距：迈向基于深度学习机制设计的可靠后悔估计
计算机科学与博弈论
2026-01-21 v1 机器学习
综合经济学
经济学
摘要
最近的进展，如RegretNet、ALGnet、RegretFormer和CITransNet，使用深度学习通过放宽激励兼容性（IC）并经由事后后悔来衡量其违反程度，从而逼近最优多物品拍卖。然而，这些后悔估计的真实准确性仍不清楚。计算精确后悔在计算上是不可行的，且当前模型依赖于其结果严重依赖超参数选择的基于梯度的优化器。通过广泛的实验，我们揭示了现有方法系统性地低估了实际后悔（在某些模型中，真实后悔比报告的后悔大数百倍），导致对IC和收益的夸大声明。为了解决这个问题，我们推导了后悔的下界，并引入了一种高效的逐项后悔逼近。在此基础上，我们提出了一种引导细化程序，该程序在降低计算成本的同时，显著提高了后悔估计的准确性。我们的方法为评估基于深度学习的拍卖机制中的激励兼容性提供了更可靠的基础，并突出了重新评估该领域先前性能声明的必要性。
引用
@article{arxiv.2601.13489,
title = {Bridging the Gap Between Estimated and True Regret Towards Reliable Regret Estimation in Deep Learning based Mechanism Design},
author = {Shuyuan You and Zhiqiang Zhuang and Kewen Wang and Zhe Wang},
journal= {arXiv preprint arXiv:2601.13489},
year = {2026}
}