[論文レビュー] Learning Reserve Prices in Second-Price Auctions

Yaonan Jin, Pinyan Lu+1 more|arXiv (Cornell University)|Dec 20, 2019

Auction Theory and Applications参考文献 51被引用数 3

ひとこと要約

この論文は、匿名のリザーブ価格を備えた2段階オークションにおける最適リザーブ価格の学習の、ほぼタイトなサンプル複雑性を確立し、それがバイダーナンバー n に依存せず、精度 ε のみに依存することを示している。提案されたアルゴリズムは、経験的累積分布関数をわずかに縮小して確率的に支配される経験的分布を構築し、(1−ε)-近似の最適収益を達成するリザーブ価格を計算する。これは、先行研究におけるマイアソンオークション学習の n に依存する複雑性と比べ、顕著な改善を示している。

ABSTRACT

This paper proves the tight sample complexity of Second-Price Auction with Anonymous Reserve, up to a logarithmic factor, for each of all the value distribution families studied in the literature: [0,1]-bounded, [1,H]-bounded, regular, and monotone hazard rate (MHR). Remarkably, the setting-specific tight sample complexity poly(ε^{-1}) depends on the precision ε ∈ (0, 1), but not on the number of bidders n ≥ 1. Further, in the two bounded-support settings, our learning algorithm allows correlated value distributions. In contrast, the tight sample complexity Θ̃(n) ⋅ poly(ε^{-1}) of Myerson Auction proved by Guo, Huang and Zhang (STOC 2019) has a nearly-linear dependence on n ≥ 1, and holds only for independent value distributions in every setting. We follow a similar framework as the Guo-Huang-Zhang work, but replace their information theoretical arguments with a direct proof.

研究の動機と目的

• 匿名のリザーブ価格を備えた2段階オークションにおいて、(1−ε)-近似の最適リザーブ価格を学習するために必要な最小サンプル数を特定すること。
• マイアソンオークションと単純な2段階オークション（匿名リザーブ）の間のサンプル複雑性のギャップを埋めること。
• 相関のある、または異なるバイダーバリュー分布を伴う状況においても、シンプルでサンプル効率の良い学習アルゴリズムを開発すること。
• 複数の分布族（[0,1]-有界、[1,H]-有界、レギュラー、MHR）におけるサンプル複雑性のタイトな上界および下界を確立すること。

提案手法

• 観測されたサンプルからの経験的CDFをわずかに縮小することで、確率的に支配される経験的分布を構築する。
• 収益の単調性と滑らかさの性質を活用して、これらの支配的経験的分布の最適リザーブ価格を計算する。
• 収益の単調性を用いた分析：F が F′ を確率的に支配するならば、Rev(F) ≥ Rev(F′) が成り立つ。これにより、選択されたリザーブ価格が良好に機能することが保証される。
• 収益の滑らかさは、集中不等式と尾部バウンドを用いて確立され、分布の小さな摂動が収益の小さな差異をもたらすことが示される。
• 先行研究の情報理論的議論を置き換えることで、より明確で一般性の高い直接的な解析フレームワークを構築している。
• 連続的な λ-レギュラー分布の場合、修正された極値定理を用いて拡張可能であるが、正確なサンプル複雑性は未解決のままである。

実験結果

リサーチクエスチョン

• RQ1 標準的な分布族において、匿名のリザーブ価格を備えた2段階オークションにおける(1−ε)-近似の最適リザーブ価格を学習するサンプル複雑性は何か？
• RQ2 この複雑性は、特にバイダーナンバー n に依存するかの観点から、マイアソンオークションの学習複雑性と比べてどうか？
• RQ3 学習アルゴリズムは、相関のある、またはi.i.d.でないバリュー分布を処理できるか。特に有界サポートの設定においては？
• RQ4 サンプル複雑性は n に依存しないのか。その場合、どのような分布仮定のもとで成り立つか？
• RQ5 連続的なMHRおよびλ-レギュラー分布における、匿名リザーブ学習の最もタイトなサンプル複雑性は何か？

主な発見

• [0,1]-有界およびMHR分布において、最適匿名リザーブのサンプル複雑性は O(ε⁻² · log(1/ε)) であり、n に依存しない。
• [1,H]-有界およびレギュラー分布において、サンプル複雑性はそれぞれ O(H·ε⁻²) および O(ε⁻³) であり、再び n に依存しない。
• 提案されたアルゴリズムは、バイダーナンバーにかかわらず、ε⁻² 個のサンプルのみで (1−ε)-近似収益を達成する。
• この手法は、有界サポート設定における相関のあるバリュー分布に対してもロバストであるが、先行するマイアソンオークション学習結果とは異なり、そのような状況では脆弱である。
• 上界は、既知の下界と対数因子を除いて一致しており、すべての研究対象の分布族において、ほぼタイトなサンプル複雑性が確立された。
• 解析により、マイアソンオークションを学習するのとは対照的に、匿名リザーブの学習は本質的に簡単であることが明らかになった。マイアソンオークションは Ω(n·ε⁻²) 個のサンプルを必要とする。