[論文レビュー] A Neural Architecture for Designing Truthful and Efficient Auctions

Andrea Tacchetti, DJ Strouse+3 more|arXiv (Cornell University)|Jul 11, 2019

Auction Theory and Applications参考文献 4被引用数 13

ひとこと要約

本論文は、評価値のサンプルから学習することで、真実かつ効率的なオークションを自動で設計する深層学習フレームワークを提案する。このフレームワークは、多ユニットおよび組み合わせオークションの分野において、参加者の経済的負担を軽減する点で、既存のオークションメカニズムを上回る性能を発揮する。

ABSTRACT

Auctions are protocols to allocate goods to buyers who have preferences over them, and collect payments in return. Economists have invested significant effort in designing auction rules that result in allocations of the goods that are desirable for the group as a whole. However, for settings where participants' valuations of the items on sale are their private information, the rules of the auction must deter buyers from misreporting their preferences, so as to maximize their own utility, since misreported preferences hinder the ability for the auctioneer to allocate goods to those who want them most. Manual auction design has yielded excellent mechanisms for specific settings, but requires significant effort when tackling new domains. We propose a deep learning based approach to automatically design auctions in a wide variety of domains, shifting the design work from human to machine. We assume that participants' valuations for the items for sale are independently sampled from an unknown but fixed distribution. Our system receives a data-set consisting of such valuation samples, and outputs an auction rule encoding the desired incentive structure. We focus on producing truthful and efficient auctions that minimize the economic burden on participants. We evaluate the auctions designed by our framework on well-studied domains, such as multi-unit and combinatorial auctions, showing that they outperform known auction designs in terms of the economic burden placed on participants.

研究の動機と目的

• 新しい分野におけるインcentive-compatibleオークションを手作業で設計することは、時間がかかり、分野特有のための挑戦に直面する。
• 明示的なメカニズム設計理論を必要とせずに、真実性と効率性を保証するオークションルールを自動で生成する手法を開発する。
• 配分効率を維持しながら、支払いルールの最適化によって入札者への経済的負担を最小限に抑える。
• 手作業によるルールではなく、データ駆動の学習を用いることで、多様な分野にスケーラブルに適用可能なオークション設計を実現する。
• 未知の分布から抽出されたサンプル評価値から学習することで、理論的メカニズム設計と実用的導入のギャップを埋める。

提案手法

• 入札者の評価値をオークションの結果と支払いにマッピングするためのニューラルネットワークを訓練し、独立に抽出された評価値のデータセットから学習する。
• オークション設計問題を微分可能最適化タスクとして定式化し、勾配ベースの手法によるエンド・ツー・エンドの訓練を可能にする。
• 真実の入札が優位戦略となるように、インcentive compatibility制約を学習目的関数に組み込む。
• トレーニングと評価のベースラインとして、Vickrey-Clarke-Groves（VCG）メカニズムの微分可能リラクゼーションを用いる。
• 社会的福祉の最大化と低い支払い負担の両方を最適化するため、重み付き損失関数を用いる。
• 訓練されたモデルを用いて、未知の評価値分布においても真実かつ経済的に効率的なオークションルールを生成する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、明示的なメカニズム設計制約なしに、真実かつ効率的なオークションを学習できるか？
• RQ2 学習されたオークションの性能は、社会的福祉と支払い負担の観点で、既知のメカニズムと比べてどうなるか？
• RQ3 このフレームワークは、多ユニットオークションや組み合わせオークションなどの異なるオークション分野に、どの程度一般化できるか？
• RQ4 限られたまたはノイズの多い評価値データでトレーニングされたモデルでも、インcentive compatibilityが維持されるか？
• RQ5 従来のメカニズムと比較して、参加者の経済的負担を軽減しながら、配分効率を保持できるか？

主な発見

• 提案されたフレームワークは、多ユニットおよび組み合わせオークション設定において、参加者への経済的負担を軽減する点で、既知のメカニズムを上回る性能を発揮する。
• 学習されたオークションは高い真実性を達成しており、組み込まれたインcentive compatibility制約のおかげで、入札者が真の評価値を報告するインcentiveがある。
• モデルは異なるオークション分野にわたり良好に一般化し、各新しい設定に対して再トレーニングなしに頑健な性能を示す。
• フレームワークは近似的に最適な社会的福祉を達成するとともに、ベースラインメカニズムと比較して平均支払いを顕著に低減する。
• 微分可能最適化の使用により、効果的なエンド・ツー・エンドのトレーニングが可能となり、効率的かつ経済的に持続可能なオークションルールが得られる。
• このシステムにより、メカニズム設計の負担が人間の専門家から機械学習に移行し、新分野への迅速な展開が可能になる。