基于贝叶斯学习的快速迭代组合拍卖
计算机科学与博弈论
2019-07-12 v6
摘要
迭代组合拍卖（CAs）常用于频谱拍卖等数十亿美元级领域，而收敛速度是实际应用中选择特定设计的关键要素之一。为实现快速收敛，当前 CAs 需要仔细调参价格更新规则，以平衡收敛速度与配置效率。Brero 与 Lahaie（2018）近期针对单 minded 投标者设定引入了贝叶斯迭代拍卖设计。该贝叶斯方法使他们能将先验知识纳入价格更新算法，以最小参数调参减少收敛轮数。本文将其工作推广至对投标者估值无限制的设定。我们为此一般设定引入一种新的贝叶斯 CA 设计，其在拍卖每轮使用蒙特卡洛期望最大化来更新价格。我们通过在 CATS 实例上的模拟评估该方法。结果表明，我们的贝叶斯 CA 在出清百分比与收敛速度上优于即便高度优化的基准。
引用
@article{arxiv.1809.05340,
title = {Fast Iterative Combinatorial Auctions via Bayesian Learning},
author = {Gianluca Brero and Sébastien Lahaie and Sven Seuken},
journal= {arXiv preprint arXiv:1809.05340},
year = {2019}
}
备注
9 pages, 2 figures, AAAI-19