[논문 리뷰] Sample Complexity of Automated Mechanism Design

Maria-Florina Balcan, Tüomas Sandholm외 1명|arXiv (Cornell University)|2016. 06. 13.

Auction Theory and Applications참고 문헌 48인용 수 28

한 줄 요약

이 논문은 결정론적 조합 Auction에서 자동 메커니즘 설계를 위한 최초의 날것한 샘플 복잡도 경계를 확립하며, 샘플에서의 경험 수익이 진정한 기본 평가 분포에 대한 기대 수익을 밀접하게 근사하기 위해 필요한 샘플 수가 얼마인지 밝힌다. 분석은 표준 Auction 클래스 계층에 적용되며, 샘플 평가를 통한 확장 가능한 고수익 메커니즘 설계에 대한 이론적 기초를 제공한다.

ABSTRACT

The design of revenue-maximizing combinatorial auctions, i.e. multi-item auctions over bundles of goods, is one of the most fundamental problems in computational economics, unsolved even for two bidders and two items for sale. In the traditional economic models, it is assumed that the bidders' valuations are drawn from an underlying distribution and that the auction designer has perfect knowledge of this distribution. Despite this strong and oftentimes unrealistic assumption, it is remarkable that the revenue-maximizing combinatorial auction remains unknown. In recent years, automated mechanism design has emerged as one of the most practical and promising approaches to designing high-revenue combinatorial auctions. The most scalable automated mechanism design algorithms take as input samples from the bidders' valuation distribution and then search for a high-revenue auction in a rich auction class. In this work, we provide the first sample complexity analysis for the standard hierarchy of deterministic combinatorial auction classes used in automated mechanism design. In particular, we provide tight sample complexity bounds on the number of samples needed to guarantee that the empirical revenue of the designed mechanism on the samples is close to its expected revenue on the underlying, unknown distribution over bidder valuations, for each of the auction classes in the hierarchy. In addition to helping set automated mechanism design on firm foundations, our results also push the boundaries of learning theory. In particular, the hypothesis functions used in our contexts are defined through multi-stage combinatorial optimization procedures, rather than simple decision boundaries, as are common in machine learning.

연구 동기 및 목표

• 설계된 메커니즘의 경험 수익이 진정한 알 수 없는 평가 분포에 대한 기대 수익과 가까워지도록 보장하기 위해 필요한 샘플 수가 얼마인지 이해하는 데 있어 중요한 간극을 메우는 것.
• 자동 메커니즘 설계에서 사용되는 표준 결정론적 조합 Auction 클래스 계층에 대한 공식적인 샘플 복잡도 보장을 제공하는 것.
• 샘플 성능을 진정한 기대 성능과 연결함으로써 확장 가능한 자동 메커니즘 설계에 대한 이론적 기초를 마련하는 것.
• 단순한 결정 경계가 아닌 다단계 조합 최적화로 정의된 복잡한 가설 클래스에 대해 학습 이론을 확장하는 것.
• 계산 경제학과 메커니즘 설계 분야의 핵심 열린 질문을 해결하는 것: 샘플 데이터로부터 고수익 Auction을 신뢰성 있게 학습하는 방법은 무엇인가?

제안 방법

• 단일 입찰자 및 다중 입찰자 설정을 포함한 결정론적 조합 Auction 클래스의 계층에 대한 샘플 복잡도 분석을 제안한다.
• 특정 구조적 성질을 가진 평가 함수의 구성 방법을 통해 샘플 복잡도의 하한을 도출한다.
• 일致 수렴 이론을 적용하여 주어진 클래스 내 모든 Auction에 대해 경험 수익과 기대 수익 간의 차이를 제한한다.
• 이중성 기반의 추론을 사용하여, 임의의 평가 함수의 부분집합 H에 대해, H에 속하는지 여부에 따라 다른 수익 수준(0 또는 1−γ)을 달성하는 단조 증가형 번들 보증 가격 메커니즘이 존재함을 보여준다.
• 극한 조합론을 활용하여, 특정 보증 가격 하에서 제어된 수익 행동을 보이는 단일 입찰자, m개 항목 평가 함수의 집합 V를 크기 Ω(4^m / √m)으로 구성한다.
• 기타 입찰자의 평가를 0으로 설정하여 단일 입찰자 설정에서 n입찰자 설정으로 하한 구조를 확장함으로써, 수익 차이를 유지한다.

실험 결과

연구 질문

• RQ1 샘플에서의 메커니즘 경험 수익이 진정한 분포에 대한 기대 수익과 가까워지도록 보장하기 위해 필요한 최소 샘플 수는 얼마인가?
• RQ2 표준 결정론적 조합 Auction 클래스에 대해 샘플 복잡도는 항목 수와 입찰자 수에 따라 어떻게 변화하는가?
• RQ3 단순한 가설 클래스가 아닌 다단계 조합 최적화로 정의된 Auction 클래스에 대해 날것한 샘플 복잡도 경계를 확립할 수 있는가?
• RQ4 임의의 부분집합 H를 단일 메커니즘으로 구별할 수 있는 평가 함수 집합을 구성할 수 있는가? 이때 수익 결과는 서로 다를 것이다.
• RQ5 평가 분포에서의 샘플만을 이용할 때, 고수익 조합 Auction을 학습하는 데서의 본질적 복잡도는 무엇인가?

주요 결과

• 논문은 표준 결정론적 조합 Auction 클래스 계층에 대해 일致 수렴에 대한 날것한 샘플 복잡도 경계 Ω(1/ε²)를 확립하며, 여기서 ε는 수익 근사의 원하는 정확도이다.
• 모든 m≥2에 대해, 임의의 부분집합 H가 H에 속하는지 여부에 따라 수익이 0 또는 1−γ가 되는 단조 증가형 번들 보증 가격 메커니즘으로 구별할 수 있는 Ω(4^m / √m)개의 단일 입찰자, m개 항목 평가 함수의 집합이 존재한다.
• 결정론적 조합 Auction 전체 계층에 대한 샘플 복잡도 하한은 Ω(4^m / √m)이며, 이는 샘플 수가 항목 수에 대해 지수적으로 증가해야 한다는 것을 보여준다.
• 결과적으로, 샘플을 사용하는 모든 자동 메커니즘 설계 알고리즘은 경험 수익이 기대 수익으로 일致 수렴하는 것을 보장하기 위해 최소 Ω(4^m / √m)개의 샘플을 가져야 한다.
• 분석은 자동 메커니즘 설계의 가설 클래스가 다단계 최적화 절차에 의존하기 때문에, 표준 기계학습 클래스보다 본질적으로 더 복잡하다는 것을 드러낸다.
• 이러한 발견은 샘플 기반 자동 메커니즘 설계의 확장성과 신뢰성에 대한 첫 번째 공식적 정당화를 제공하며, 계산 경제학 분야에서 오랫동안 남아있던 열린 질문을 해결한다.