[論文レビュー] The Pseudo-Dimension of Near-Optimal Auctions

Jamie Morgenstern, Tim Roughgarden|arXiv (Cornell University)|Jun 11, 2015

Auction Theory and Applications参考文献 24被引用数 23

ひとこと要約

この論文は、単純なリザーブプライスオークションと複雑な最適オークションの間を補間することで、単純さと収益性能の両立を図るtレベルオークションというメカニズムのクラスを導入する。tレベルオークションの擬似次元が小さい（O(nt log nt)）ことを証明し、標本効率的な学習が可能であることを示し、t = O(Hn²/ε)のとき、任意のn人 bidder が[0,H]の評価値を持つ積分布に対して、最適オークションの収益からεの加法的近似を達成できることを示している。

ABSTRACT

This paper develops a general approach, rooted in statistical learning theory, to learning an approximately revenue-maximizing auction from data. We introduce $t$-level auctions to interpolate between simple auctions, such as welfare maximization with reserve prices, and optimal auctions, thereby balancing the competing demands of expressivity and simplicity. We prove that such auctions have small representation error, in the sense that for every product distribution $F$ over bidders' valuations, there exists a $t$-level auction with small $t$ and expected revenue close to optimal. We show that the set of $t$-level auctions has modest pseudo-dimension (for polynomial $t$) and therefore leads to small learning error. One consequence of our results is that, in arbitrary single-parameter settings, one can learn a mechanism with expected revenue arbitrarily close to optimal from a polynomial number of samples.

研究の動機と目的

• 評価分布が未知である状況下で、単純かつほぼ収益最適なオークションを設計する課題に取り組む。
• 特に擬似次元を用いた統計的学習理論のツールを適用し、データから近似的に最適なオークションを学習する際の標本複雑度を定量化する。
• 表現誤差を小さくする（表現力）と学習誤差を小さくする（学習可能性）の両立を可能にする、調整可能なオークションクラス（tレベルオークション）を構築する。
• tレベルオークションの集合が小さい擬似次元を持つことを確立し、多項式時間の標本数から学習することで、期待収益において最適に近いメカニズムが得られることを保証する。
• H, n, ε⁻¹に関して多項式的な標本複雑度の境界を提供し、単一商品オークションにおける既知の下界と一致する。

提案手法

• t=1のとき単純なリザーブプライスメカニズム、t→∞のとき複雑な最適オークションに対応する、tレベルオークションを導入し、値のレベル数tでパラメータ化する。
• 仮想価値の閾値Φτを定義し、仮想価値の範囲を幅ε/nの区間に分割することで、連続的な仮想余剰最大化の離散的近似を可能にする。
• tレベルオークションのクラスの複雑度を測る指標として擬似次元を用い、n人 bidder とtレベルに対してO(nt log nt)であることを証明する。
• 統計的学習理論からの一般化境界を適用：高確率で、tレベルオークション上での経験的収益最大化器が、最適期待収益からε以内の期待収益を達成する。
• 表現誤差の境界を確立するため、t = O(Hn²/ε)のとき、最適オークションの期待収益からε以内の期待収益を持つtレベルオークションが存在することを示す。
• 擬似次元と集中不等式を用いて、最適期待収益から加法的ε近似を達成するための標本複雑度上界をÕ(H³n⁵/ε³)として導出する。

実験結果

リサーチクエスチョン

• RQ1 評価分布が未知である状況で、単純さと収益性能の近似的最適性の両立を図るオークションクラスを設計可能か？
• RQ2 tレベルオークションの擬似次元は何か？ そして、それが学習効率を保証するほどゆっくりと増加するか？
• RQ3 任意のn人 bidder が[0,H]の評価値を持つ積分布に対して、tレベルオークションの表現誤差が最適期待収益からε以内に収まるには、tがどの程度大きくなければならないか？
• RQ4 単一商品オークションにおける既知の下界と一致する形で、近的最適オークションの学習に必要な標本複雑度を境界づけられるか？
• RQ5 tレベルオークション上での経験的収益最大化により、最適収益の乗法的近似が達成可能か、それとも加法的保証しか得られないか？

主な発見

• tレベルオークションのクラスの擬似次元はO(nt log nt)であり、多項式時間の標本数から学習が可能であることを保証する。
• n人 bidder と[0,H]の評価値を持つ任意の単一パrameter環境において、t = O(Hn²/ε)のtレベルオークションは、最適期待収益から加法的ε以内の期待収益を達成する。
• 経験的収益最大化による(1−ε)-近似オークションを学習するにあたり必要な標本複雑度はÕ(H³n⁵/ε³)であり、対数要因を除いて既知の下界と一致する。
• tレベルオークション上での経験的収益最大化器は、高確率で真の期待収益がマイヤーソンの最適期待収益から加法的ε以内に収まる。
• これらの結果は、任意の単一パrameter設定において、tレベルオークションのクラスを用いることで、多項式時間の標本数から最適に近い期待収益を持つメカニズムを学習可能であることを示唆する。
• 環境の構造に応じて、加法的または乗法的近似保証の両方をサポートするが、一般設定でも加法的保証は達成可能である。