通过差分隐私实现无先验近似真实的一次性拍卖学习
计算机科学与博弈论
2021-04-02 v1 机器学习
摘要
设计真实(truthful)、收益最大化的拍卖是拍卖设计的核心问题。多物品设置长期以来难以攻克。近期工作(arXiv:1706.03459)引入了有效的深度学习技术,在为已知竞标者偏好分布的有先验依赖(prior-dependent)设置中寻找此类拍卖。一个遗留问题是以排除操纵所得拍卖可能性的方式获取先验。利用差分隐私(differential privacy)技术构造近似真实机制,我们修改了 RegretNet 方法以适用于无先验(prior-free)设置。在这一更一般的设置中,不假设任何分布信息,但我们以更差的性能作为代价。我们给出了这项进行中工作的初步实证结果与定性分析。
引用
@article{arxiv.2104.00159,
title = {Towards Prior-Free Approximately Truthful One-Shot Auction Learning via Differential Privacy},
author = {Daniel Reusche and Nicolás Della Penna},
journal= {arXiv preprint arXiv:2104.00159},
year = {2021}
}