[論文レビュー] Non-parametric Revenue Optimization for Generalized Second Price Auctions

Mehryar Mohri, Andrés Muñoz Medina|arXiv (Cornell University)|Jun 8, 2015

Consumer Market Behavior and Pricing参考文献 19被引用数 11

ひとこと要約

本稿では、密度推定と $O(nS\log(nS))$ の実行時間を持つ新しい判別的アプローチを用いて、一般化された2番目入札価格（GSP）オークションにおけるレーティング価格の最適化のための2つの非パラメトリック学習アルゴリズムを提案する。これは、対称的ベイジアン・ナッシュ均衡への経験的均衡入札関数の収束に関する理論的分析を初めて提供し、最小限の仮定の下で強力な一般化保証を確立する。

ABSTRACT

We present an extensive analysis of the key problem of learning optimal reserve prices for generalized second price auctions. We describe two algorithms for this task: one based on density estimation, and a novel algorithm benefiting from solid theoretical guarantees and with a very favorable running-time complexity of $O(n S \log (n S))$, where $n$ is the sample size and $S$ the number of slots. Our theoretical guarantees are more favorable than those previously presented in the literature. Additionally, we show that even if bidders do not play at an equilibrium, our second algorithm is still well defined and minimizes a quantity of interest. To our knowledge, this is the first attempt to apply learning algorithms to the problem of reserve price optimization in GSP auctions. Finally, we present the first convergence analysis of empirical equilibrium bidding functions to the unique symmetric Bayesian-Nash equilibrium of a GSP.

研究の動機と目的

• 従来のメカニズムがインcentive-compatibleでないため、GSPオークションにおける最適レーティング価格を学習する課題に対処すること。
• 入札者の評価分布のパラメトリックな分布を仮定せずに、歴史的入札データを活用してオークション収益を最大化する学習ベースのアプローチを開発すること。
• 最小限の仮定の下で、経験的入札関数が真の対称的ベイジアン・ナッシュ均衡に収束する理論的保証を提供すること。
• 計算効率の良いアルゴリズムを設計し、$O(nS\log(nS))$ の時間計算量を達成することで、先行手法を改善すること。

提案手法

• Guerreら（2000）の密度推定に基づく手法をGSP設定に拡張し、レーティング価格最適化に適用するアルゴリズムを提案する。
• 損失関数を直接最適化する新しい判別的アルゴリズムを導入し、期待収益のずれを最小化する。
• 入札者行動と均衡条件をモデル化するために、$\mathbf{M}'$ と $\mathbf{p}_i$ を含む再帰的行列形式を用いる。
• 推定誤差を標本サイズ $n$ とスロット数 $S$ の観点から制限するために、濃度不等式と経験過程理論を用いる。
• 推定誤差の高確率バウンドを導出し、$q(n,\delta)$ と対数項を用いて、経験的入札関数と真の均衡とのずれを評価する。
• 入札者が均衡に従わない場合でさえも、経験的均衡関数が真の対称的ベイジアン・ナッシュ均衡に理論的に収束することを確立する。

実験結果

リサーチクエスチョン

• RQ1 歴史的入札データのみが与えられた場合に、非パラメトリック学習手法をGSPオークションにおけるレーティング価格最適化に効果的に適用できるか。
• RQ2 GSPオークションにおいて、経験的入札関数が対称的ベイジアン・ナッシュ均衡に収束するための理論的保証は何か。
• RQ3 多スロットオークションにおいて、収益損失を最小限に抑えながら計算効率を維持する学習アルゴリズムをどのように設計できるか。
• RQ4 入札者が均衡に従わない場合に、提案されたアルゴリズムがどのようにして意味のある収益関連損失関数を最小化する形で適切に定義され、効果的であるか。
• RQ5 経験的均衡入札関数が真の均衡に収束する速度は何か。また、これは標本サイズにどのように依存するか。

主な発見

• 提案された判別的アルゴリズムは、$O(nS\log(nS))$ の実行時間複雑度を達成し、先行手法に比べて顕著な効率改善を実現する。
• 理論的分析により、経験的入札関数が真の対称的ベイジアン・ナッシュ均衡に $O(1/\sqrt{n})$ の速度で収束することが示され、高確率で成立する。
• 確率 $1-\delta$ 以上で、推定入札関数と真の関数とのずれは $O\left(\frac{\log(2/\delta)^{N/2}}{\sqrt{n}}\right)$ で抑えられ、ここで $N$ は入札者数を表す。
• 入札者が均衡に従わない場合でも、アルゴリズムは適切に定義され、意味のある収益関連損失関数を最小化する。
• 実験的結果により、評価分布が対数正規分布でかつ0から離れたサポートでない場合でさえも、経験的均衡関数が真の均衡に収束することが示された。
• 本稿は、GSPオークションにおける一意な対称的ベイジアン・ナッシュ均衡への経験的均衡入札関数の収束分析を初めて提示する。