ProportionNet：在深度学习拍卖设计中平衡公平性与收益
计算机科学与博弈论
2020-10-14 v1 机器学习
摘要
设计具有强激励保证的收益最大化拍卖是经济理论的核心关切。计算拍卖支撑着在线广告、采购、频谱分配以及无数金融市场。该领域的解析进展 notoriously 困难；自 Myerson 1981 年刻画单物品最优拍卖的工作以来，在受限设定之外进展有限。Dütting 等人近期的一篇论文通过应用深度学习技术来近似最优拍卖，从而规避了解析困难。与此同时，Ilvento 等人及其他团队的新研究提出了拍卖设计中公平性的概念。受这些进展启发，本文中我们扩展使用深度学习近似拍卖的技术，以在保持高收益与强激励保证的同时解决公平性关切。
引用
@article{arxiv.2010.06398,
title = {ProportionNet: Balancing Fairness and Revenue for Auction Design with Deep Learning},
author = {Kevin Kuo and Anthony Ostuni and Elizabeth Horishny and Michael J. Curry and Samuel Dooley and Ping-yeh Chiang and Tom Goldstein and John P. Dickerson},
journal= {arXiv preprint arXiv:2010.06398},
year = {2020}
}