[論文レビュー] A Scalable Neural Network for DSIC Affine Maximizer Auction Design

Zhijian Duan, Haoran Sun+2 more|arXiv (Cornell University)|May 20, 2023

Auction Theory and Applications被引用数 6

ひとこと要約

AMenuNet は、スケーラブルなニューラルネットワークであり、支配戦略インcentive適合性（DSIC）かつ個人的合理性（IR）を満たすアフィンマクシマイザー・オークション（AMA）を設計するためのものである。AMAs のパラメータ――割り当てメニューや入札者重み、ブースト変数――を、順列に不変なトランスフォーマー・アーキテクチャを用いて生成することで、パrameter数を増加させることなく、高い収益性、優れたスケーラビリティ、およびオークション規模にわたる一般化を実現する。

ABSTRACT

Automated auction design aims to find empirically high-revenue mechanisms through machine learning. Existing works on multi item auction scenarios can be roughly divided into RegretNet-like and affine maximizer auctions (AMAs) approaches. However, the former cannot strictly ensure dominant strategy incentive compatibility (DSIC), while the latter faces scalability issue due to the large number of allocation candidates. To address these limitations, we propose AMenuNet, a scalable neural network that constructs the AMA parameters (even including the allocation menu) from bidder and item representations. AMenuNet is always DSIC and individually rational (IR) due to the properties of AMAs, and it enhances scalability by generating candidate allocations through a neural network. Additionally, AMenuNet is permutation equivariant, and its number of parameters is independent of auction scale. We conduct extensive experiments to demonstrate that AMenuNet outperforms strong baselines in both contextual and non-contextual multi-item auctions, scales well to larger auctions, generalizes well to different settings, and identifies useful deterministic allocations. Overall, our proposed approach offers an effective solution to automated DSIC auction design, with improved scalability and strong revenue performance in various settings.

研究の動機と目的

• オークション規模に伴い指数関数的に増加するすべての決定的割り当てを考慮する従来のアフィンマクシマイザー・オークション（AMA）手法のスケーラビリティの限界を克服すること。
• RegretNet に類する手法が達成する近似 DSIC の保証を上回り、AMA の性質に起因する厳密な DSIC および IR を保証すること。
• モデルパラメータ数を増加させることなく、異なる数の入札者およびアイテムに対して一般化可能なニューラルネットワークアーキテクチャを設計すること。
• 割り当てメニューや重み、ブースト変数のエンドツーエンド学習を可能にし、収益性の向上とメカニズム設計の柔軟性を高めること。
• 学習可能なニューラル生成による割り当てメニュ〖が、固定または手作業で作成されたメニューよりも収益性とスケーラビリティにおいて優れていることを実証すること。

提案手法

• AMenuNet は、入札者およびアイテムの表現から直接、ニューラルネットワークを用いて AMA パラメータ（割り当てメニュ一、入札者重み、ブースト変数）を生成する。
• 順列に不変なトランスフォーマーに基づくアーキテクチャを採用し、入札者およびアイテムの順序に依存しない性質を保証する。パラメータ数はオークション規模に依存しない。
• 割り当てメニュ一はパラメータ化され、ニューラル生成によって学習され、すべての可能な割り当ての指数的列挙を回避する。
• アフィンマクシマイザー・オークションの数学的性質に起因し、メカニズム自体が inherently DSIC かつ IR である。
• DSIC および IR の制約下でオークショ一の収益を最大化する目的で、オフライン学習を用いてエンドツーエンドで訓練する。
• アーキテクチャのおかげで、訓練時に見られなかったより多くの入札者またはアイテムを含むオークションへの一般化が可能である。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークが、AMA の割り当て候補の指数的増加を回避し、スケーラブルで DSIC かつ IR のオークションメカニズムを生成できるか？
• RQ2 ニューラルネットワークを用いて割り当てメニュ一、重み、ブースト変数を学習することで、固定または事前定義されたメニュ一よりも収益性が向上するか？
• RQ3 提案されたアーキテクチャが、訓練データとは異なる数の入札者またはアイテムを含むオークションに一般化できるか？
• RQ4 AMenuNet の性能は、RegretNet に類する手法と比較して、収益性および DSIC の実装においてどう異なるか？
• RQ5 AMenuNet が発見する割り当ての種類（決定的または確率的）は何か？ それらは収益性にどのように影響するか？

主な発見

• AMenuNet は、文脈ありおよび文脈なしの両方の多アイテムオークションにおいて、強力な DSIC および IR のベースラインを上回る高い収益性を達成した。
• RegretNet に類する手法が近似 DSIC のみを保証するのに対し、AMenuNet は厳密な DSIC および IR を保証しながら、同程度の収益性性能を達成した。
• アブレーションスタディにより、学習可能な割り当てメニュ一が収益性およびスケーラビリティの両面で顕著に向上することが確認され、固定メニュ一や完全結合ネットワーク（FCN）の代替案を上回った。
• AMenuNet は、訓練データに含まれなかったより多くの入札者またはアイテムを含むオークションに対しても、良好な一般化性能を示した。特にアイテム数が多い場合には、Item-Myerson と同等の性能を示した。
• モデルは有用な決定的割り当てを発見し、一部のケースでは、ブースト値が高い空の割り当てをレーティング価格の代替として特定した。これは、入札額が低い場合に顕著であった。
• より大きなオークション（例：2×10、3×10）では、確率的割り当てが 17% を超える割合を占めることが判明し、モデルが混合戦略を活用して収益性を向上させていることが示された。