[論文レビュー] Sampling and Representation Complexity of Revenue Maximization

Shaddin Dughmi, Li Han+1 more|arXiv (Cornell University)|Feb 19, 2014

Auction Theory and Applications参考文献 18被引用数 24

ひとこと要約

本稿は、ブラックボックスサンプリングを介して分布にアクセスする多アイテムオークションにおける収益最大化を研究し、近似的に最適なメカニズムのサンプル必要数と表現複雑度の間のタイトな関係を確立する。サンプル必要数と表現複雑度の両方に指数的下界を示し、一般の設定において、評価値サポートが大きい場合でさえ、多項式回のサンプルでは、多項式サイズのメカニズムが定数倍の収益近似を保証できないことを示している。

ABSTRACT

We consider (approximate) revenue maximization in auctions where the distribution on input valuations is given via "black box" access to samples from the distribution. We observe that the number of samples required -- the sample complexity -- is tightly related to the representation complexity of an approximately revenue-maximizing auction. Our main results are upper bounds and an exponential lower bound on these complexities.

研究の動機と目的

• ブラックボックスによる評価値分布へのアクセスを伴う収益最大化オークションにおける、サンプル必要数と表現複雑度の関係を理解すること。
• 評価値サポートのサイズが結果数に対して指数的に大きい場合に、多項式回のサンプルで近似的に最適なメカニズムを構築できるかどうかを特定すること。
• 大規模または連続的評価値空間を有する設定において、近似的に最適なメカニズムを学習する際の効率の根本的限界を確立すること。
• ブラックボックスサンプリングモデル下での最適収益メカニズムの近似の計算的困難性を分析すること。
• メカニズムの複雑度が最適メカニズムの複雑度に対して多項式的に有界であるような二基準近似の実現可能性を検討すること。

提案手法

• NP困難なヒッティングセット問題を収益最大化インスタンスに還元することで、下界を確立する。
• 2^m個の可能な評価値を持つ評価値分布を構築し、それぞれがアイテムの部分集合に対応し、高い値または低い値を取るよう設計する。これにより、指数的サポートサイズをモデル化する。
• 各ロットリーが固定価格でアイテムの確率的分布を提供するCメニュー価格設定メカニズムを用い、各評価値における期待収益を分析する。
• 個々の合理的性およびインcentive制約を適用し、アイテムカバレッジと評価値構造に基づいて、達成可能な最大収益を制限する。
• 確率的解析を用いて、メカニズムの期待収益を、そのロットリーからランダムに抽出されたアイテム集合がどれだけの集合をカバーするかの割合に関連付ける。
• メカニズムの複雑度が目標複雑度Cに対して多項式的に有界である二基準近似フレームワークを提案し、サンプルサイズがこの境界に依存するように設計する。

実験結果

リサーチクエスチョン

• RQ1 評価値サポートが指数的に大きい場合に、多項式回のサンプルで近似的に収益最大化オークションを構築できるか。
• RQ2 必要なサンプル数と最適メカニズムの表現複雑度との間にタイトな関係があるか。
• RQ3 大規模または連続的評価値空間における多アイテムオークションで、最適収益を近似するために必要な根本的サンプル必要数は何か。
• RQ4 メカニズムの複雑度が最適複雑度Cに対して多項式的であるような二基準近似が、効率的なサンプルサイズで達成可能か。
• RQ5 この設定における収益最大化問題は、分布からのサンプルへのアクセスがあるにせよ、計算的に困難であるか。

主な発見

• 収益最大化のサンプル必要数は、近似的に最適なメカニズムの表現複雑度とタイトに関係している。
• 評価値サポートが指数的に大きな一般分布に対して、サンプル必要数と表現複雑度の両方にΩ(2^m)の指数的下界が確立された。
• 多項式回のサンプルでさえ、最悪ケースにおいては、多項式サイズのメカニズムが最適収益の定数倍近似を保証できない。
• ヒッティングセット問題からの還元により、完全カバー可能と部分的カバー可能なインスタンスを区別することはNP困難であることが示され、収益最大化問題の計算的困難性が裏付けられた。
• メカニズムの複雑度が目標複雑度Cに対して多項式的に有界である二基準近似フレームワークが提案され、サンプルサイズがCおよび他のパラメータに対して多項式的であれば、Cの最適メカニズムに対する定数倍収益近似を達成可能なメカニズムが構築可能である。
• 分析により、サンプルサイズがメカニズムの複雑度よりも十分に大きな多項式であれば、二基準設定において過学習を回避できることが示された。