[논문 리뷰] Machine Learning-powered Iterative Combinatorial Auctions

Gianluca Brero|Zurich Open Repository and Archive (University of Zurich)|2019. 11. 19.

Auction Theory and Applications참고 문헌 50인용 수 12

한 줄 요약

이 논문은 가격 대신 가치 질의를 사용하여 선호도 추출을 향상시키는 기계학습 기반 반복적 조합 Auction인 MLCA를 소개한다. 각 라운드에서 가장 정보성 높은 가치 질의를 선정하기 위해 기계학습을 활용함으로써, MLCA는 CCA보다 훨씬 높은 할당 효율성을 달성한다. 특히 대규모 도메인에서, 매우 적은 수의 질의로도 성과를 내며, 개인적 합리성, 손실 없음, 양호한 인센티브를 유지한다.

ABSTRACT

We present a machine learning-powered iterative combinatorial auction (MLCA). The main goal of integrating machine learning (ML) into the auction is to improve preference elicitation, which is a major challenge in large combinatorial auctions (CAs). In contrast to prior work, our auction design uses value queries instead of prices to drive the auction. The ML algorithm is used to help the auction decide which value queries to ask in every iteration. While using ML inside a CA introduces new challenges, we demonstrate how we obtain a design that is individually rational, satisfies no-deficit, has good incentives, and is computationally practical. We benchmark our new auction against the well-known combinatorial clock auction (CCA). Our results indicate that, especially in large domains, MLCA can achieve significantly higher allocative efficiency than the CCA, even with only a small number of value queries.

연구 동기 및 목표

• 대규모 조합 Auction에서 전체 평가 보고가 번들 공간의 지수적 증가로 인해 비현실적이기 때문에, 선호도 추출의 과제를 해결하기 위해.
• 가격 기반 질의에 의존하고 수요 및 보완 라운드에서 입찰자 비효율을 겪는 기존의 반복적 조합 Auction(예: CCA)을 개선하기 위해.
• 기계학습을 활용해 지능적으로 가치 질의를 선택하는 메커니즘을 설계하여, 통신 부담을 줄이고 효율성을 극대화하기 위해.
• 기계학습 기반 질의 선택에도 불구하고 개인적 합리성, 손실 없음, 인센티브 호환성 유지 보장을 위해.
• 실증적으로 MLCA가 대규모 설정에서 CCA보다 할당 효율성 면에서 뛰어나다는 것을 검증하기 위해.

제안 방법

• auction는 가격 기반 수요 질의 대신 특정 번들의 평가를 요청하는 가치 질의를 사용한다.
• 역사적 입찰 데이터를 기반으로 기계학습 모델(SVM 또는 GBDT)을 훈련시켜, 어떤 가치 질의가 가장 정보성 있는 응답을 낳을지를 예측한다.
• 모델이 예상 정보 수익을 기반으로 예측된 정보 수익이 가장 높은 번들을 중심으로 질의를 반복적으로 선택하며, 할당 효율성을 높일 가능성이 높은 번들을 우선시한다.
• auction는 라운드를 거치며 진행되며, 기계학습 모델이 질의 선택을 이끌어내어 수렴하거나 최대 라운드 수에 도달할 때까지 진행된다.
• 최종 지불액은 VCG 규칙을 사용하여 계산되며, 협력 탈락에 대한 강건성을 확보하기 위해 VCG-nearest와 같은 핵심 선택 대체 방법도 사용 가능하다.
• 입찰자 수나 라운드 수를 고려해 질의 빈도나 라운드당 질의 수를 조절함으로써, 경제성과 확장성을 확보할 수 있다.

실험 결과

연구 질문

• RQ1 기계학습을 활용해 반복적 조합 Auction에서 가치 질의 선택을 효과적으로 이끌 수 있는가? 이는 할당 효율성을 향상시키는 데 기여하는가?
• RQ2 특히 대규모 조합 도메인에서 MLCA는 CCA에 비해 할당 효율성 면에서 어떻게 비교되는가?
• RQ3 기계학습 기반 질의 선택 과정이 개인적 합리성과 손실 없음 성질을 유지하는가?
• RQ4 입찰자들이 MLCA 하에서 얼마나 많은 동기를 가지고 허위 보고를 할 수 있으며, 전략적 오용에 대해 얼마나 강건한가?
• RQ5 효율성을 희생시키지 않고도 라운드 수를 효과적으로 제어할 수 있는가?

주요 결과

• MLCA는 매우 적은 수의 가치 질의로도 대규모 도메인에서 CCA보다 훨씬 높은 할당 효율성을 달성한다.
• GSVM 실험에서, MLCA는 모든 진실 보고 및 과다 입찰 전략에서 이론적 최대 사회적 복리(437.5)의 100%를 유지했으며, 성능 저하가 없었다.
• LSVM 실험에서, 진실 보고 하에 MLCA는 사회적 복리 532.6을 달성했으며, 100회 반복 실행 동안 변동성이 매우 적어 강건성을 보였다.
• 왜곡 실험 결과, 진실 보고와 과다 입찰 전략 간 사회적 복리나 유용성에 통계적으로 유의미한 차이가 없었음(p값 ≥ 0.784), 강력한 인센티브 호환성을 시사했다.
• 극단적인 과다 입찰(최대 99%) 상황에서도 복리 및 유용성에 미미한 하락만을 보이며 효율성이 유지되었으며, 전략적 행동에 강건함을 입증했다.
• 입찰자 수나 라운드 수를 고려해 질의 빈도나 라운드당 질의 수를 조절함으로써, 소규모 및 대규모 입찰자 집단 모두에 적합한 확장성을 확보할 수 있었다.