[논문 리뷰] Learning to bid in revenue-maximizing auctions

Thomas Nédelec, Noureddine El Karoui외 1명|arXiv (Cornell University)|2019. 02. 27.

Auction Theory and Applications참고 문헌 1인용 수 6

한 줄 요약

이 논문은 데이터 기반의 수익 극대화 경매—특히 입찰 분포 기반 개인화된 리저브 가격을 사용하는 경매—에서 전략적 입찰자가 최적의 입찰 전략을 학습할 수 있도록 가능한 미분 가능하고 기울기에 기반한 방법을 제안한다. 비연속적인 유틸리티 목표를 완화하고 신경망을 사용해 입찰 함수를 최적화함으로써, 이 방법은 레이지 서드프라이스, 마이어슨, 부스팅된 서드프라이스 경매에서 진정한 입찰에 비해 수백 퍼센트에 이르는 유틸리티 향상을 달성한다.

ABSTRACT

We consider the problem of the optimization of bidding strategies in prior-dependent revenue-maximizing auctions, when the seller fixes the reserve prices based on the bid distributions. Our study is done in the setting where one bidder is strategic. Using a variational approach, we study the complexity of the original objective and we introduce a relaxation of the objective functional in order to use gradient descent methods. Our approach is simple, general and can be applied to various value distributions and revenue-maximizing mechanisms. The new strategies we derive yield massive uplifts compared to the traditional truthfully bidding strategy.

연구 동기 및 목표

• 데이터 기반의 수익 극대화 경매 메커니즘에서 입찰자에게 전략적 입찰 알고리즘이 부족한 문제를 해결하기 위해.
• 판매자가 관측된 입찰 분포 기반으로 리저브 가격을 설정하는 안정된 경매 환경에서 장기적 입찰자의 전략적 행동을 모델링하기 위해.
• 입찰 전략 최적화에서 원래 유틸리티 목표의 비연속성 문제를 안정적이고 미분 가능한 리라크스를 통해 극복하기 위해.
• 마이어슨, 레이지 서드프라이스, 부스팅된 서드프라이스 경매를 포함한 다양한 경매 메커니즘에 적용 가능한 일반적이고 계산 효율적인 방법을 개발하기 위해.
• 지수 및 균일 분포의 가치 분포를 가진 현실적인 설정에서 진정한 입찰에 비해 입찰자에게 뚜렷한 유틸리티 향상을 실험적으로 입증하기 위해.

제안 방법

• 판매자의 메커니즘이 유도된 입찰 분포에 의존하므로, 입찰자의 기대 유틸리티를 입찰 전략에 대한 기능 최적화 문제로 수식화한다.
• 국소적 변화에 대해 안정적이고 미분 가능하도록 원래의 비연속 목표 함수를 리라크스한다.
• 신경망을 사용해 입찰 전략을 매개변수화하여, 리라크스된 목표 함수의 엔드 투 엔드 기울기 하강 최적화를 가능하게 한다.
• 마이어슨 경매의 경우, 입찰 분포에 대한 L2 피팅을 통해 가상 가치 함수를 근사하고, 이를 기반으로 한 대체 목표 함수를 최적화한다.
• 부스팅된 서드프라이스 경매의 경우, 입찰 분포의 가상 가치 함수로부터 리저브 가격을 계산하고, 리저브 가격 이상의 입찰에 대해 선형 피팅을 적용해 부스팅 효과를 구현한다.
• 리저브 가격 임계값에 대해 미분 가능한 근사치를 적용하고, 가상 가치 함수의 하위미분을 사용해 최적화 과정에서의 미분 가능성 확보.

실험 결과

연구 질문

• RQ1 판매자가 과거 입찰 분포 기반으로 개인화된 리저브 가격을 설정하는 경우, 수익 극대화 경매에서 전략적 입찰자가 최적의 입찰 전략을 어떻게 학습할 수 있는가?
• RQ2 현대적인 데이터 기반 경매 메커니즘—예를 들어 개인화된 리저브 가격이 적용된 레이지 서드프라이스 경매—에서 전략적 입찰은 입찰자 유틸리티에 어떤 영향을 미치는가?
• RQ3 비진정성이고 복잡한 경매 메커니즘—예를 들어 마이어슨 경매나 부스팅된 서드프라이스 경매—에 대해, 미분 가능하고 기울기에 기반한 최적화 프레임워크를 효과적으로 적용할 수 있는가?
• RQ4 다양한 가치 분포와 경매 유형에서 학습된 전략의 성능 향상은 진정한 입찰에 비해 어떻게 비교되는가?
• RQ5 메커니즘이 관측된 입찰 분포 기반으로 훈련될 경우, 현대적인 수익 극대화 경매 메커니즘은 전략적 입찰자에 대해 얼마나 견고한가?

주요 결과

• 제안된 방법은 개인화된 리저브 가격이 적용된 레이지 서드프라이스 경매와 마이어슨 경매에서 모두 진정한 입찰에 비해 몇 백 퍼센트에 이르는 유틸리티 향상을 달성한다.
• 마이어슨 경매의 경우, 학습된 입찰 전략은 이론적으로 최적이며, 이는 닫힌 형태의 설정에서 메서드의 이론적 타당성을 확인한다.
• 부스팅된 서드프라이스 경매에서는 이론적 보장 이상의 성능을 달성하며, 부스팅 메커니즘의 미분 가능한 근사치를 통해 효과적으로 일반화된다.
• 판매자가 이력 입찰 기반으로 동적 리저브 가격 업데이트를 사용하는 설정에서도 진정한 입찰에 비해 성능이 뛰어나, 메커니즘 설계 가정에 대한 강건성을 보여준다.
• 이론적으로 알려진 닫힌 형태의 최적 전략이 없는 경매 메커니즘에 대해서도 이 방법은 효과적으로 일반화되며, 현대적이고 복잡한 경매 설계에 광범위하게 적용 가능함을 보여준다.
• 지수 및 균일 분포의 가치 분포에 대한 실험 결과, 일관되고 뚜렷한 성능 향상이 나타났으며, 리저브 가격 임계값에 민감도가 낮은 메커니즘에서 가장 큰 향상이 관찰되었다.