[論文レビュー] Machine Learning-powered Iterative Combinatorial Auctions

Gianluca Brero|Zurich Open Repository and Archive (University of Zurich)|Nov 19, 2019

Auction Theory and Applications参考文献 50被引用数 12

ひとこと要約

本稿では、価格ではなく価値クエリを用いることで、好みの獲得を改善する機械学習を活用した反復型組み合わせ入札制度MLCAを提案する。各ラウンドで最も情報を得られる価値クエリを選択するために機械学習を活用することで、MLCAは、特に大規模なドメインにおいて、CCAよりも顕著に高い割当効率を達成する。クエリ数もわずかに抑えられ、同時に個々の合理性、赤字なし、良好なインcentiveを維持する。

ABSTRACT

We present a machine learning-powered iterative combinatorial auction (MLCA). The main goal of integrating machine learning (ML) into the auction is to improve preference elicitation, which is a major challenge in large combinatorial auctions (CAs). In contrast to prior work, our auction design uses value queries instead of prices to drive the auction. The ML algorithm is used to help the auction decide which value queries to ask in every iteration. While using ML inside a CA introduces new challenges, we demonstrate how we obtain a design that is individually rational, satisfies no-deficit, has good incentives, and is computationally practical. We benchmark our new auction against the well-known combinatorial clock auction (CCA). Our results indicate that, especially in large domains, MLCA can achieve significantly higher allocative efficiency than the CCA, even with only a small number of value queries.

研究の動機と目的

• 組み合わせ入札の規模が大きくなると、バンドル空間の指数的増加により、完全な評価値の報告が非現実的になるという、好みの獲得の課題に対処すること。
• 価格ベースのクエリに依存する既存の反復型組み合わせ入札制度（例えばCCA）は、需要ラウンドおよび補足ラウンドで入札者による非効率が生じるという点を改善すること。
• 機械学習を用いて知的に価値クエリを選択するメカニズムを設計し、通信負荷を軽減しながら効率を最大化すること。
• 機械学習によるクエリ選択であっても、個々の合理性、赤字なし、インcentive適合性が保たれることを保証すること。
• 実験的に、MLCAが大規模な設定においてCCAよりも割当効率に優れていることを検証すること。

提案手法

• 入札者は特定のバンドルの評価値を尋ねる価値クエリを用いる。価格ベースの需要クエリではなく、この方式を採用する。
• 過去の入札データを用いて、機械学習モデル（SVMまたはGBDT）を訓練し、どの価値クエリが最も情報を得られるかを予測する。
• モデルが予測する期待情報量に基づいて、反復的にクエリを選択し、割当効率を向上させやすいバンドルに焦点を当てる。
• ラウンドを繰り返し、収束するか、ラウンド制限に達するまで、MLモデルがクエリ選択をガイドする。
• 最終的な支払いはVCGルールで計算されるが、コалиションの裏切りに対して強い対応が可能な代替手法（例：VCG-nearest）に置き換え可能である。
• 入札者数に応じて、クエリ頻度や1ラウンドあたりのクエリ数を調整することで、入札者数のスケーリングを制御可能である。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて反復型組み合わせ入札における価値クエリ選択を効果的にガイドすることは可能か？ これにより割当効率が向上するか？
• RQ2 特に大規模な組み合わせドメインにおいて、MLCAはCCAと比較してどの程度の割当効率の向上を達成するか？
• RQ3 機械学習によるクエリ選択プロセスは、個々の合理性および赤字なしの性質を維持するか？
• RQ4 MLCAでは、入札者が虚偽申告を行うインセンティブはどの程度あるのか？ また、戦略的行動に対してどの程度の耐性があるか？
• RQ5 効率を損なわせることなく、ラウンド数を効果的に制御できるか？

主な発見

• MLCAは、わずかな数の価値クエリでさえも、大規模ドメインにおいてCCAよりも顕著に高い割当効率を達成する。
• GSVM実験では、MLCAは真実申告および過大申告戦略の両方において、理論的最大社会的厚生（437.5）の100％を維持し、性能の著しい低下は認められなかった。
• LSVM実験では、真実申告下で社会的厚生532.6を達成し、100回の実行で最小限の分散を示しており、安定性が確認された。
• 操作実験では、真実申告と過大申告の両戦略において、社会的厚生や利得に統計的に有意な差が認められず（p値 ≥ 0.784）、強いインセンティブ適合性が示された。
• 極端な過大申告（最大99％まで）に対しても、厚生や利得にわずかな低下しか生じず、戦略的行動に対して強い耐性を示した。
• 入札者数に応じて、クエリ頻度や1ラウンドあたりのクエリ数を調整することで、ラウンド数を効果的に制御可能であり、小規模および大規模な入札者集団へのスケーラビリティが確保された。