[論文レビュー] The Sample Complexity of Revenue Maximization

Richard Cole, Tim Roughgarden|arXiv (Cornell University)|Feb 3, 2015

Auction Theory and Applications参考文献 23被引用数 6

ひとこと要約

本稿では、k人の入札者と独立で同一でない評価分布を有する単一商品オークションにおいて、最適収益の(1−ε)-近似を達成するために、Empirical Myersonオークションを用いる際、Θ(k²/ε²)個の標本が必要かつ十分であることを確立している。この結果はα-strongly regular分布の下で成り立ち、データ駆動型学習を伴うベイジアンオークション設計設定における標本複雑度問題を解決する。

ABSTRACT

In the design and analysis of revenue-maximizing auctions, auction performance is typically measured with respect to a prior distribution over inputs. The most obvious source for such a distribution is past data. The goal is to understand how much data is necessary and sufficient to guarantee near-optimal expected revenue. Our basic model is a single-item auction in which bidders' valuations are drawn independently from unknown and non-identical distributions. The seller is given $m$ samples from each of these distributions "for free" and chooses an auction to run on a fresh sample. How large does m need to be, as a function of the number k of bidders and eps > 0, so that a (1 - eps)-approximation of the optimal revenue is achievable? We prove that, under standard tail conditions on the underlying distributions, m = poly(k, 1/eps) samples are necessary and sufficient. Our lower bound stands in contrast to many recent results on simple and prior-independent auctions and fundamentally involves the interplay between bidder competition, non-identical distributions, and a very close (but still constant) approximation of the optimal revenue. It effectively shows that the only way to achieve a sufficiently good constant approximation of the optimal revenue is through a detailed understanding of bidders' valuation distributions. Our upper bound is constructive and applies in particular to a variant of the empirical Myerson auction, the natural auction that runs the revenue-maximizing auction with respect to the empirical distributions of the samples. Our sample complexity lower bound depends on the set of allowable distributions, and to capture this we introduce alpha-strongly regular distributions, which interpolate between the well-studied classes of regular (alpha = 0) and MHR (alpha = 1) distributions. We give evidence that this definition is of independent interest.

研究の動機と目的

• 単一商品設定における近似的に最適なオークションメカニズムを学習するために必要な最小のi.i.d.標本数を特定すること。
• ベイジアン事前分布下での収益最大化における既知の上界と下界の間のギャップを埋めること。
• 入札者間の競争、非同一分布、および定数因子による収益近似の可能性との相関関係を分析すること。
• α-strongly regular分布のクラスを形式化し、正規分布とMHR分布の間の自然な補間として分析すること。
• Empirical Myersonオークションによる構成的上界と、情報理論的下界の一致を提供すること。

提案手法

• 未知で非同一の入札者評価分布からのm個のi.i.d.標本を用いて、売り手が新規で観測されない評価値の抽出に対して真実性を保証するオークションを設計するモデルを提案する。
• 標本からの経験的分布を用いて収益を最大化するオークションを計算する、中心的なメカニズムとしてEmpirical Myersonオークションを分析する。
• 評価分布の尾部挙動を特徴付けるために、α-strongly regular分布を導入し、α=0（正規）からα=1（MHR）へのクラスの間の補間を実現する。
• 集中不等式と収益分解技術を用いて、経験的収益と真の収益の差を制限し、仛仮想超過と仛仮想評価関数の境界を用いる。
• δ、Δ、ν、ξパラメータの精密なキャリブレーションを通じて、仛仮想超過と収益近似における誤差項を制御し、標本複雑度の境界を導出する。
• 多段階の誤差分解を用いて、合計収益損失を制限し、分布推定、仛仮想価値近似、およびリザーブ価格誤差の寄与を分離する。

実験結果

リサーチクエスチョン

• RQ1 非同一で独立な入札者分布を有する単一商品オークションにおいて、最適収益の(1−ε)-近似を保証するために必要な最小の標本数は何か？
• RQ2 基礎となる評価分布の詳細な知識がなければ、最適収益の定数因子近似は達成可能か？
• RQ3 標準的な分布的仮定の下で、標本複雑度は入札者数kと誤差許容度εの両方にどのようにスケーリングされるか？
• RQ4 多項式的数の標本で十分な場合、Empirical Myersonオークションは近似的に最適な収益を達成できるか？
• RQ5 収益最大化のための多項式的標本複雑度を保証するために、必要な十分な分布的条件は何か？

主な発見

• 最適収益の(1−ε)-近似を達成するために必要な標本複雑度は、kと1/εに関して多項式的であり、特に上界としてO(k¹⁰/ε⁷ log³(k/ε))が得られている。
• 一致する下界により、Ω(k²/ε²)個の標本が必要であることが示され、kとεへの依存関係が対数的要因を除いてタイトであることが裏付けられている。
• m = Ω(k¹⁰/ε⁷ log³(k/ε))個の標本が利用可能であれば、Empirical Myersonオークションは高確率で所望の(1−ε)-近似を達成する。
• α-strongly regular分布のクラスが導入され、標本複雑度の分析における自然なフレームワークであることが示されており、分布の尾部挙動への影響を示している。
• 最適収益の定数近似を達成するには、基礎となる分布の詳細な知識が必要であることが、入札者が非同一かつ競争的であっても示されている。
• 分析により、事前独立型または単純なオークション設計では、十分な標本データがなければ定数因子の収益近似を達成できないことが明らかになった。これは、分布学習の必要性を強調している。