多物品利润最大化泛化保证：定价、拍卖与随机机制
机器学习
2023-05-09 v6 计算机科学与博弈论
摘要
我们研究当买方估值存在潜在分布时的多物品利润最大化问题。在实践中，通常无法获得该分布的完整描述，因此我们研究机制设计者仅拥有该分布样本的设置。如果设计者使用样本在复杂的机制类（例如所有多物品、多买方机制的集合）上进行优化，则某机制在样本上可能具有高平均利润但低期望利润。这引出了本文的核心问题：需要多少样本才能确保机制的平均利润接近其期望利润？为回答此问题，我们揭示了许多定价、拍卖和抽奖机制共享的结构：对于任意买方估值集合，利润在机制参数中是分段线性的。利用此结构，我们证明了基于样本的机制设计文献中尚未研究的机制类的新界限，并对许多类匹配或改进了已知最佳保证。
引用
@article{arxiv.1705.00243,
title = {Generalization Guarantees for Multi-item Profit Maximization: Pricing, Auctions, and Randomized Mechanisms},
author = {Maria-Florina Balcan and Tuomas Sandholm and Ellen Vitercik},
journal= {arXiv preprint arXiv:1705.00243},
year = {2023}
}