[논문 리뷰] The Sample Complexity of Revenue Maximization

Richard Cole, Tim Roughgarden|arXiv (Cornell University)|2015. 02. 03.

Auction Theory and Applications참고 문헌 23인용 수 6

한 줄 요약

이 논문은 k명의 입찰자가 있고, 독립적이며 동일하지 않은 평가 분포를 가진 단일 항목 경매에서, 최적 수익의 (1−ε)-근사치를 달성하기 위해 필요한 표본 수가 Θ(k²/ε²)임을 규명한다. 이는 경제학적 경매 설계 설정에서 데이터 기반 학습을 통한 표본 복잡도 문제를 해결한다. 결과는 α-강한 정규 분포 조건 하에서 성립한다.

ABSTRACT

In the design and analysis of revenue-maximizing auctions, auction performance is typically measured with respect to a prior distribution over inputs. The most obvious source for such a distribution is past data. The goal is to understand how much data is necessary and sufficient to guarantee near-optimal expected revenue. Our basic model is a single-item auction in which bidders' valuations are drawn independently from unknown and non-identical distributions. The seller is given $m$ samples from each of these distributions "for free" and chooses an auction to run on a fresh sample. How large does m need to be, as a function of the number k of bidders and eps > 0, so that a (1 - eps)-approximation of the optimal revenue is achievable? We prove that, under standard tail conditions on the underlying distributions, m = poly(k, 1/eps) samples are necessary and sufficient. Our lower bound stands in contrast to many recent results on simple and prior-independent auctions and fundamentally involves the interplay between bidder competition, non-identical distributions, and a very close (but still constant) approximation of the optimal revenue. It effectively shows that the only way to achieve a sufficiently good constant approximation of the optimal revenue is through a detailed understanding of bidders' valuation distributions. Our upper bound is constructive and applies in particular to a variant of the empirical Myerson auction, the natural auction that runs the revenue-maximizing auction with respect to the empirical distributions of the samples. Our sample complexity lower bound depends on the set of allowable distributions, and to capture this we introduce alpha-strongly regular distributions, which interpolate between the well-studied classes of regular (alpha = 0) and MHR (alpha = 1) distributions. We give evidence that this definition is of independent interest.

연구 동기 및 목표

• 단일 항목 설정에서 near-optimal 경매 메커니즘을 학습하기 위해 필요한 최소 i.i.d. 표본 수를 규명하는 것.
• 베이지안 사전 분포 하에서 수익 극대화의 표본 복잡도에 대한 알려진 상한과 하한 사이의 격차를 메우는 것.
• 입찰자 경쟁, 비동일 분포, 그리고 일정 요율 수익 근사의 가능성을 상호 작용적으로 분석하는 것.
• 정규 분포와 MHR 분포 사이를 자연스럽게 연결하는 α-강한 정규 분포 클래스를 체계화하고 분석하는 것.
• empirical Myerson 경매를 통한 구축 가능한 상한과 정보 이론적 하한 간의 매칭을 제공하는 것.

제안 방법

• 판매자가 알려지지 않은 비동일한 입찰자 평가 분포로부터 m개의 i.i.d. 표본을 사용하여, 새로운, 관측되지 않은 평가 값에 대해 진정한 경매를 설계하는 모델을 제안한다.
• 표본에서 추정된 분포를 사용해 수익을 극대화하는 경매를 계산하는 핵심 메커니즘으로 empirical Myerson 경매를 분석한다.
• 정규 분포(α=0)와 MHR 분포(α=1) 사이를 연결하는 분포 꼬리 행동을 기술하기 위해 α-강한 정규 분포를 도입한다.
• 농도 불등식과 수익 분해 기법을 사용하여 표본 수익과 진짜 수익 간의 차이를 근사하고, 가상의 초과 수익 및 가상 평가 함수에 대한 경계를 활용한다.
• δ, Δ, ν, ξ 매개변수의 정교한 校정을 통해 가상 초과 수익과 수익 근사 오차 항을 제어함으로써 표본 복잡도 경계를 유도한다.
• 다단계 오차 분해를 사용하여 총 수익 손실을 근사하고, 분포 추정 오차, 가상 가치 근사 오차, 입찰가격 오차 기여도를 분리한다.

실험 결과

연구 질문

• RQ1 비동일하고 독립적인 입찰자 분포를 가진 단일 항목 경매에서, 최적 수익의 (1−ε)-근사치를 보장하기 위해 필요한 최소 표본 수는 얼마인가?
• RQ2 기본 평가 분포에 대한 세부 지식 없이도 최적 수익의 일정 요율 근사치를 달성할 수 있는가?
• RQ3 표준 분포 가정 하에서 표본 복잡도가 입찰자 수 k와 오차 허용 범위 ε에 따라 어떻게 변화하는가?
• RQ4 empirical Myerson 경매가 다항 수의 표본으로 근사 최적 수익을 달성하는 데 충분한가?
• RQ5 수익 극대화에 대해 다항 표본 복잡도를 보장하기 위해 필요한 충분한 분포 조건은 무엇인가?

주요 결과

• 최적 수익의 (1−ε)-근사치를 달성하기 위해 필요한 표본 복잡도는 k와 1/ε에 대해 다항식이며, 상한으로서 O(k¹⁰/ε⁷ log³(k/ε))이다.
• 매칭되는 하한은 Ω(k²/ε²) 표본이 필요함을 보여주며, k와 ε에 대한 의존성은 로그 요소를 제외하고는 날카롭게 조정되어 있음을 시사한다.
• m = Ω(k¹⁰/ε⁷ log³(k/ε))의 표본이 확보되어 있을 경우, empirical Myerson 경매는 고확률로 원하는 (1−ε)-근사치를 달성한다.
• α-강한 정규 분포 클래스가 도입되었으며, 이는 표본 복잡도 분석에 자연스러운 프레임워크를 제공함을 보여주며, 분포 꼬리 행동에 대한 함의를 지닌다.
• 최적 수익의 일정 요율 근사치를 달성하기 위해서는 기초 분포에 대한 세부 지식이 필요하며, 이는 입찰자가 비동일하고 경쟁적일지라도 마찬가지로 성립한다.
• 분석 결과, 사전 독립적 또는 단순한 경매 설계는 충분한 표본 데이터 없이 일정 요율 수익 근사치를 달성할 수 없음을 시사하며, 분포 학습의 필요성을 강조한다.