[논문 리뷰] ProportionNet: Balancing Fairness and Revenue for Auction Design with Deep Learning

Kevin Kuo, Anthony Ostuni외 6명|arXiv (Cornell University)|2020. 10. 13.

Auction Theory and Applications참고 문헌 31인용 수 8

한 줄 요약

ProportionNet는 보호 그룹 간 할당 비율을 제약함으로써 수익을 극대화하고 공정성을 확보하는 딥러닝 기반 경매 메커니즘을 도입한다. 이는 타당성 있는 공정성 정규화 손실을 사용하여 미분 가능하게 설계된 것으로, 이전의 수익 극대화 경매에 딥러닝을 적용하면서도 전략적 비례성과 차별적 영향을 줄인다. 광고 및 유사 응용 분야에서 유용하다.

ABSTRACT

The design of revenue-maximizing auctions with strong incentive guarantees is a core concern of economic theory. Computational auctions enable online advertising, sourcing, spectrum allocation, and myriad financial markets. Analytic progress in this space is notoriously difficult; since Myerson's 1981 work characterizing single-item optimal auctions, there has been limited progress outside of restricted settings. A recent paper by Dütting et al. circumvents analytic difficulties by applying deep learning techniques to, instead, approximate optimal auctions. In parallel, new research from Ilvento et al. and other groups has developed notions of fairness in the context of auction design. Inspired by these advances, in this paper, we extend techniques for approximating auctions using deep learning to address concerns of fairness while maintaining high revenue and strong incentive guarantees.

연구 동기 및 목표

• 높은 수익을 올리는 메커니즘이 보호 그룹에 대해 불공정한 결과를 낳을 수 있는 경매 설계의 격차를 해소하기 위해.
• 수익 극대화와 전략적 비례성을 희생시키지 않고도 딥러닝 기반 경매 메커니즘에 공정성 제약을 통합하기 위해.
• 다중 품목 경매에서 인구 통계적 그룹 간 비례 할당을 강제하기 위한 미분 가능하고 확장 가능한 방법을 개발하기 위해.
• 실제 응용 분야인 온라인 광고 및 스펙트럼 경매에서 공정한 메커니즘 설계를 지원하는 기술적 프레임워크를 제공하기 위해.
• 딥러닝 기반 경매 시스템에서 공정성, 수익, 인센티브 호환성 간의 상호 상충 관계를 탐색하기 위해.

제안 방법

• ProportionNet는 신경망을 사용해 경매 메커니즘을 표현하며, 입찰을 할당 및 지불으로 매핑한다.
• 다른 보호 그룹 소속 개인 간의 비례 할당률에 대한 불균형을 방지하기 위해, 미분 가능한 공정성 정규화 손실을 통합한다.
• 유사한 개인 간의 할당 비율 간의 거리 측도를 사용해 공정성 손실을 정의함으로써, 동일한 입찰자에게 유사한 대우를 보장한다.
• 수익 극대화와 공정성 정규화를 결합한 다중 목표 손실을 통해 모델을 종합적으로 훈련한다.
• RegretNet에서 영감을 얻은 훈련 목표를 통해 전략적 비례성이 유지되며, 진실한 입찰이 최적의 전략이 된다.
• 모델 아키텍처는 다양한 경매 설정과 가치 분포에 대해 확장 가능하고 일반화 가능하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 딥러닝을 사용해 보호 그룹 간 공정성을 확보하면서도 수익 극대화를 달성하는 경매를 설계할 수 있는가?
• RQ2 전략적 비례성을 훼손하지 않고도 공정성을 형식적이고 미분 가능한 방식으로 딥러닝 기반 경매 메커니즘에 통합할 수 있는가?
• RQ3 신경망을 사용할 경우 다중 품목 경매 설계에서 수익과 공정성 간의 상호 상충 관계는 어떻게 되는가?
• RQ4 학습된 메커니즘이 온라인 광고와 같은 실제 응용 분야에서 차별적 영향을 얼마나 줄일 수 있는가?
• RQ5 제안된 공정성 정규화는 기존의 공정성 제약 대비 성능과 확장성 측면에서 어떻게 비교되는가?

주요 결과

• ProportionNet는 동일한 가치를 가진 서로 다른 보호 그룹에 속한 유사 개인 간의 할당 격차를 효과적으로 줄였다.
• RegretNet와 같은 비공정 기준 대비 높은 수익 수준을 유지함으로써, 공정성이 수익에 상당한 비용을 지불하지 않아도 된다는 점을 입증했다.
• 공정성 정규화 손실은 할당 비율을 효과적으로 제약하여, 심각한 불균형이 발생해 차별적 영향을 초래할 수 있는 상황을 방지한다.
• 전략적 비례성이 유지되어, 학습된 메커니즘 하에서 진실한 입찰이 최적의 전략임을 보장한다.
• 실험 결과에 따르면 ProportionNet는 수익성과 인센티브 호환성에서 뛰어난 성능을 유지하면서도 기존 기준 대비 더 공정한 결과를 달성한다.
• 이 방법은 확장 가능하고 일반화 가능하며, 온라인 광고 및 스펙트럼 경매와 같은 실제 환경에 도입 가능성이 있다.