[論文レビュー] ProportionNet: Balancing Fairness and Revenue for Auction Design with Deep Learning

Kevin Kuo, Anthony Ostuni+6 more|arXiv (Cornell University)|Oct 13, 2020

Auction Theory and Applications参考文献 31被引用数 8

ひとこと要約

ProportionNetは、保護群における割り当て割合の制約を用いて、公平性を保ちながら収益を同時に最大化する深層学習ベースのオークションメカニズムを導入する。微分可能で公平性を正則化する損失関数を用いることで、広告や類似応用分野における戦略的でない（戦略的でない）性質を保ちながら、従来の収益最大化オークションに深層学習を拡張する。

ABSTRACT

The design of revenue-maximizing auctions with strong incentive guarantees is a core concern of economic theory. Computational auctions enable online advertising, sourcing, spectrum allocation, and myriad financial markets. Analytic progress in this space is notoriously difficult; since Myerson's 1981 work characterizing single-item optimal auctions, there has been limited progress outside of restricted settings. A recent paper by Dütting et al. circumvents analytic difficulties by applying deep learning techniques to, instead, approximate optimal auctions. In parallel, new research from Ilvento et al. and other groups has developed notions of fairness in the context of auction design. Inspired by these advances, in this paper, we extend techniques for approximating auctions using deep learning to address concerns of fairness while maintaining high revenue and strong incentive guarantees.

研究の動機と目的

• 高収益メカニズムが保護群に対して不平等な結果を生じるオークション設計のギャップを埋める。
• 収益や戦略的でない性質を損なわずに、公平性制約を深層学習ベースのオークションメカニズムに統合する。
• 多アイテムオークションにおける人口的グループ間の割合割り当てを強制するための微分可能でスケーラブルな手法を開発する。
• オンライン広告や周波数オークションなどの実世界応用における公平なメカニズム設計を支援する技術的フレームワークを提供する。
• 深層学習駆動のオークションシステムにおいて、公平性、収益、インcentive compatibility（インcentive適合性）のトレードオフを明らかにする。

提案手法

• ProportionNetは、入札を割り当てと支払いにマッピングするニューラルネットワークをオークションメカニズムとして使用する。
• 類似した個人間の割り当て割合の距離メトリックを用いて定義される微分可能な公平性正則化損失を組み込む。
• 公平性損失は、同等の入札者に類似した扱いがなされるように、異なる保護群に属する個人間の割り当て割合の差をペナルティとして課す。
• 収益最大化と公平性正則化を組み合わせたマルチオブジェクティブ損失を用いて、エンドツーエンドでモデルを訓練する。
• RegretNetにインspiredされた訓練目的を通じて、戦略的でない性質（戦略的でない性質）が保たれる。
• アーキテクチャは、さまざまなオークション設定や評価分布に応じてスケーラブルかつ汎用的であるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いて、保護デモグラフィックグループにわたる公平性を保ちながら収益を最大化するオークションを設計できるか？
• RQ2 戦略的でない性質を損なわず、形式的かつ微分可能な形で公平性を深層学習ベースのオークションメカニズムに統合できるか？
• RQ3 ニューラルネットワークを用いた多アイテムオークション設計において、収益と公平性のトレードオフはどのようなものか？
• RQ4 学習されたメカニズムは、オンライン広告などの実世界応用において、差別の的影響をどの程度低減できるか？
• RQ5 提案された公平性正則化は、既存の公平性制約と比較して、性能およびスケーラビリティの面でどのように異なるか？

主な発見

• ProportionNetは、評価額が同一であっても、異なる保護群に属する類似した個人間の割り当て格差を効果的に低減する。
• 非公平なベースライン（例：RegretNet）と同等の高い収益水準を維持しており、公平性の実現が顕著な収益コストを伴わないことを示している。
• 公平性正則化損失は、差別の的影響を引き起こす可能性のある大きな不均衡を防ぐために、割り当て割合を効果的に制約している。
• 戦略的でない性質が保持されており、学習されたメカニズム下でも真実の入札が最適であることが保証されている。
• 実験的結果から、ProportionNetはベースライン手法よりも公平性に優れた結果を達成している一方で、収益およびインcentive適合性の両面で優れた性能を示している。
• 本手法はスケーラブルかつ汎用的であり、オンライン広告や周波数オークションなどの実世界での導入が可能である。