[논문 리뷰] A Scalable Neural Network for DSIC Affine Maximizer Auction Design

Zhijian Duan, Haoran Sun외 2명|arXiv (Cornell University)|2023. 05. 20.

Auction Theory and Applications인용 수 6

한 줄 요약

AMenuNet는 확장 가능한 신경망으로, 주어진 전략에 강한 인centive 호환성(DSIC)과 개인적 합리성(IR)을 갖춘 애핀 최대화자 경매(AMA)를 설계한다. 이는 순열에 대해 불변인 트랜스포머 아키텍처를 사용하여 할당 메뉴, 입찰자 가중치, 부스터 변수 등의 AMA 파라미터를 생성함으로써, 파rameter 수를 늘리지 않고도 높은 수익, 뛰어난 확장성, 다양한 경매 규모에 대한 일반화를 달성한다.

ABSTRACT

Automated auction design aims to find empirically high-revenue mechanisms through machine learning. Existing works on multi item auction scenarios can be roughly divided into RegretNet-like and affine maximizer auctions (AMAs) approaches. However, the former cannot strictly ensure dominant strategy incentive compatibility (DSIC), while the latter faces scalability issue due to the large number of allocation candidates. To address these limitations, we propose AMenuNet, a scalable neural network that constructs the AMA parameters (even including the allocation menu) from bidder and item representations. AMenuNet is always DSIC and individually rational (IR) due to the properties of AMAs, and it enhances scalability by generating candidate allocations through a neural network. Additionally, AMenuNet is permutation equivariant, and its number of parameters is independent of auction scale. We conduct extensive experiments to demonstrate that AMenuNet outperforms strong baselines in both contextual and non-contextual multi-item auctions, scales well to larger auctions, generalizes well to different settings, and identifies useful deterministic allocations. Overall, our proposed approach offers an effective solution to automated DSIC auction design, with improved scalability and strong revenue performance in various settings.

연구 동기 및 목표

• 경매 규모가 증가함에 따라 지수적으로 증가하는 모든 결정적 할당을 고려하는 애핀 최대화자 경매(AMA) 접근법의 확장성 한계를 해결하기 위해.
• RegretNet 유사 방법의 근사 DSIC 보장을 넘어서, AMA의 수학적 성질에 기반해 엄격한 DSIC 및 IR을 보장하기 위해.
• 모델 파rameter 수를 늘리지 않고도 다양한 수의 입찰자 및 품목에 대해 일반화할 수 있는 신경망 아키텍처를 설계하기 위해.
• 할당 메뉴, 가중치, 부스터 변수를 종합적으로 학습시켜 수익 향상과 메커니즘 설계의 유연성을 향상시키기 위해.
• 학습 가능한 신경망 기반 할당 메뉴가 고정되거나 수작업으로 설계된 메뉴보다 수익성과 확장성 면에서 뛰어나다는 것을 입증하기 위해.

제안 방법

• AMenuNet은 입찰자 및 품목 표현에서 직접 신경망을 사용해 AMA 파라미터—할당 메뉴, 입찰자 가중치, 부스터 변수—를 생성한다.
• 입찰자 및 품목 순서에 대해 불변인 트랜스포머 기반 아키텍처를 사용하여, 모델 파rameter 수가 경매 규모에 영향을 받지 않도록 보장한다.
• 할당 메뉴는 신경망에 의해 파arameter화되고 학습되며, 모든 가능한 할당의 지수적 열거를 피한다.
• 수학적 성질에 기반해 AMA는 본질적으로 DSIC 및 IR이 보장된다.
• DSIC 및 IR 제약 조건 하에 수익을 극대화하기 위해 오프라인 학습을 통해 종합적으로 모델을 훈련한다.
• 이 아키텍처는 설정 외 일반화를 가능하게 하여, 훈련 중에 본 바보다 더 많은 입찰자 또는 품목을 가진 경매에도 적용할 수 있다.

실험 결과

연구 질문

• RQ1 신경망이 AMA의 할당 후보 수가 지수적으로 증가하는 문제를 피하면서도 확장 가능하고, DSIC 및 IR을 보장하는 경매 메커니즘을 생성할 수 있는가?
• RQ2 신경망을 통해 할당 메뉴, 가중치, 부스터 변수를 학습시키는 것이 고정되거나 사전 정의된 메뉴보다 수익성을 향상시키는가?
• RQ3 제안된 아키텍처가 훈련 데이터와 다른 수의 입찰자 또는 품목을 가진 경매에 일반화 가능한가?
• RQ4 AMenuNet의 성능는 수익성과 DSIC 이행 측면에서 RegretNet 유사 방법과 비교해 어떻게 되는가?
• RQ5 AMenuNet가 발견하는 할당 유형(결정적 또는 랜덤화된)은 무엇이며, 이는 수익에 어떤 영향을 미치는가?

주요 결과

• AMenuNet은 문맥 기반 및 비문맥 기반 다중 품목 경매에서 강력한 DSIC 및 IR 기반선보다 높은 수익을 달성한다.
• RegretNet 유사 방법은 근사 DSIC만 보장하지만, AMenuNet는 엄격한 DSIC 및 IR을 보장하면서도 동일한 수익 성능을 달성한다.
• 절단 실험 결과, 학습 가능한 할당 메뉴가 수익성과 확장성 면에서 고정 메뉴 또는 완전히 연결된 신경망(FCN) 대안보다 뛰어나다는 것이 확인되었다.
• AMenuNet는 훈련 데이터에 포함된 입찰자 또는 품목 수를 초월하는 경매에 대해 잘 일반화되며, 특히 품목 수가 많을수록 Item-Myerson와 유사한 성능을 보인다.
• 모델는 유용한 결정적 할당을 발견하며, 일부 경우에서 낮은 입찰이 있을 경우 높은 부스터를 가진 공백 할당을 보유하는 방식으로 입찰 보증가 역할을 수행한다.
• 더 큰 경매(예: 2×10, 3×10)에서는 승리 할당의 17% 이상이 랜덤화된 할당을 차지하며, 이는 모델가 혼합 전략을 활용해 수익을 향상시키고 있음을 시사한다.