无竞价，无遗憾：面向数字商品与数据拍卖的成对反馈机制

对数据与 AI 生成数字商品（如个性化文本内容与艺术品）日益增长的需求，亟需考虑不确定效用与高成本生产的定价与反馈机制。受此驱动，本研究提出一种新颖的机制设计，处理通用的重复拍卖设定，其中售出商品的效用在售后才揭示。该机制的新颖性在于使用成对比较从竞拍者处获取信息，这比赋予数值对人类而言更易完成。我们的机制采用 epsilon-greedy 策略选择分配，并依赖已分配商品实现效用与任意值之间的成对比较，从而规避了先前工作中探讨的“学习竞价”问题。我们证明该机制渐近真实、个体理性且福利与收益最大化。该机制适用广泛，可用于任何按需定制且质量可变商品的设定。在多标签毒性标注数据（负效用示例）上的实验结果凸显了所提机制如何提升数据拍卖的社会福利。总体而言，我们对人为因素的关注促进了更具人类意识且高效的机制设计发展。