面向策略性买家的重复拍卖价格学习

受在线展示广告实时广告交易所的启发，我们考虑当买家通过标价机制与卖家反复交互时，推断买家对商品价值分布的问题。我们将买家建模为策略性代理人，其目标是最大化长期盈余，而我们关注的是最大化卖家长期收入的机制。我们定义了策略性遗憾的自然概念——即相对于诚实（非策略性）买家所损失的收入。当买家对其未来盈余进行折现时（即买家倾向于更早地向用户展示广告），我们提出了无（策略性）遗憾的卖家算法。我们还给出了策略性遗憾的下界，该下界随着买家折现减弱而增加，并特别表明，如果没有折现，任何卖家算法都将遭受线性策略性遗憾。