[논문 리뷰] A Neural Architecture for Designing Truthful and Efficient Auctions

Andrea Tacchetti, DJ Strouse외 3명|arXiv (Cornell University)|2019. 07. 11.

Auction Theory and Applications참고 문헌 4인용 수 13

한 줄 요약

이 논문은 다수의 단위 및 조합 경매 도메인에서 참가자의 경제적 부담을 줄이는 데 성공적으로 작용하는 진정성 있고 효율적인 경매를 자동으로 설계하기 위해 평가치 샘플에서 학습하는 딥러닝 프레임워크를 제안한다.

ABSTRACT

Auctions are protocols to allocate goods to buyers who have preferences over them, and collect payments in return. Economists have invested significant effort in designing auction rules that result in allocations of the goods that are desirable for the group as a whole. However, for settings where participants' valuations of the items on sale are their private information, the rules of the auction must deter buyers from misreporting their preferences, so as to maximize their own utility, since misreported preferences hinder the ability for the auctioneer to allocate goods to those who want them most. Manual auction design has yielded excellent mechanisms for specific settings, but requires significant effort when tackling new domains. We propose a deep learning based approach to automatically design auctions in a wide variety of domains, shifting the design work from human to machine. We assume that participants' valuations for the items for sale are independently sampled from an unknown but fixed distribution. Our system receives a data-set consisting of such valuation samples, and outputs an auction rule encoding the desired incentive structure. We focus on producing truthful and efficient auctions that minimize the economic burden on participants. We evaluate the auctions designed by our framework on well-studied domains, such as multi-unit and combinatorial auctions, showing that they outperform known auction designs in terms of the economic burden placed on participants.

연구 동기 및 목표

• 새로운 도메인에 대해 인센티브 호환성 경매를 수작업으로 설계하는 데 시간이 오래 걸리고 도메인 특화되어 있다는 과제를 해결한다.
• 명시적인 메커니즘 설계 이론이 필요 없이도 진정성과 효율성을 보장하는 경매 규칙을 자동으로 생성하는 방법을 개발한다.
• 배정 효율성을 유지하면서 지불 규칙을 최적화하여 입찰자에게 가해지는 경제적 부담을 최소화한다.
• 수동으로 규칙를 수립하는 대신 데이터 기반 학습을 통해 다양한 도메인에서 확장 가능한 경매 설계를 가능하게 한다.
• 알 수 없는 분포에서 추출된 샘플된 평가치로부터 학습을 통해 이론적 메커니즘 설계와 실무적 구현 사이의 격차를 메운다.

제안 방법

• 독립적으로 샘플된 평가치 데이터셋에서 학습하여 입찰자 평가치를 경매 결과와 지불액으로 매핑하는 신경망을 훈련한다.
• 경매 설계 문제를 미분 가능한 최적화 과제로 포지셔닝하여 기울기 기반 방법을 사용한 엔드 투 엔드 훈련을 가능하게 한다.
• 진정성 있는 입찰이 지배 전략이 되도록 하기 위해 인센티브 호환성 제약 조건을 학습 목표에 통합한다.
• 훈련 및 평가의 기준으로서 비크리프-클라크-그로브스(VCG) 메커니즘의 미분 가능한 완화를 사용한다.
• 가중치가 부여된 손실 함수를 사용하여 효율성(사회적 복지 최대화)과 낮은 지불 부담을 동시에 최적화한다.
• 훈련된 모델을 활용해 새로운 평가치 분포에 대해 진정성 있고 경제적으로 효율적인 경매 규칙을 생성한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 명시적인 메커니즘 설계 제약 없이도 진정성 있고 효율적인 경매를 학습할 수 있는가?
• RQ2 사회적 복지와 지불 부담 측면에서 학습된 경매의 성능은 기존 알려진 메커니즘과 비교해 어떻게 되는가?
• RQ3 이 프레임워크는 다수의 단위 경매 및 조합 경매와 같은 다양한 경매 도메인에 얼마나 잘 일반화되는가?
• RQ4 제한적 또는 노이즈가 많은 평가치 데이터로 훈련했을 때 모델은 여전히 인센티브 호환성을 유지하는가?
• RQ5 伝통적인 메커니즘과 비교해 참가자의 경제적 부담을 줄이면서도 배정 효율성을 유지할 수 있는가?

주요 결과

• 제안된 프레임워크는 다수의 단위 및 조합 경매 설정에서 참가자에게 가해지는 경제적 부담을 줄이는 데 있어 알려진 메커니즘을 능가하는 경매를 생성한다.
• 학습된 경매는 높은 수준의 진정성을 달성하여, 통합된 인센티브 호환성 제약 조건 덕분에 입찰자가 자신의 진짜 평가치를 보고하도록 유도한다.
• 모델은 다양한 경매 도메인에서 잘 일반화되어 있으며, 각 새로운 설정에 대해 재훈련 없이도 견고한 성능을 보인다.
• 프레임워크는 거의 최적의 사회적 복지를 달성하면서도 기준 메커니즘 대비 평균 지불액을 크게 낮춘다.
• 미분 가능한 최적화의 사용은 효과적인 엔드 투 엔드 훈련을 가능하게 하여 효율적이고 경제적으로 지속 가능한 경매 규칙를 도출한다.
• 시스템은 메커니즘 설계의 부담을 인간 전문가에서 머신러닝으로 이관하여 새로운 도메인에 빠르게 도입할 수 있도록 한다.