[论文解读] Machine Learning-powered Iterative Combinatorial Auctions

Gianluca Brero|Zurich Open Repository and Archive (University of Zurich)|Nov 19, 2019

Auction Theory and Applications参考文献 50被引用 12

一句话总结

本文提出 MLCA，一种基于机器学习的迭代组合拍卖机制，采用价值查询而非价格查询以改进偏好获取。通过利用机器学习在每轮中选择最具信息量的价值查询，MLCA 在仅使用少量查询的情况下，显著提升了分配效率，尤其在大规模领域中优于 CCA，同时保持了个体理性、无亏损和良好的激励机制。

ABSTRACT

We present a machine learning-powered iterative combinatorial auction (MLCA). The main goal of integrating machine learning (ML) into the auction is to improve preference elicitation, which is a major challenge in large combinatorial auctions (CAs). In contrast to prior work, our auction design uses value queries instead of prices to drive the auction. The ML algorithm is used to help the auction decide which value queries to ask in every iteration. While using ML inside a CA introduces new challenges, we demonstrate how we obtain a design that is individually rational, satisfies no-deficit, has good incentives, and is computationally practical. We benchmark our new auction against the well-known combinatorial clock auction (CCA). Our results indicate that, especially in large domains, MLCA can achieve significantly higher allocative efficiency than the CCA, even with only a small number of value queries.

研究动机与目标

• 为解决大规模组合拍卖中的偏好获取挑战，其中由于组合空间呈指数级增长，完全估值报告不可行。
• 改进现有基于价格的迭代组合拍卖机制（如 CCA），后者依赖价格查询，在需求和补充轮次中存在投标人效率低下的问题。
• 设计一种机制，利用机器学习智能选择价值查询，减少通信负担，同时最大化效率。
• 确保即使在基于机器学习的查询选择下，机制仍保持个体理性、无亏损和激励相容。
• 通过实证验证，MLCA 在分配效率方面优于 CCA，尤其在大规模场景中。

提出的方法

• 拍卖使用价值查询而非基于价格的需求查询，向投标人询问特定组合的估值。
• 利用历史出价数据训练机器学习模型（SVM 或 GBDT），以预测哪些价值查询将产生最具信息量的响应。
• 根据模型对预期信息增益的预测，迭代选择查询，聚焦于可能提升分配效率的组合。
• 拍卖以轮次进行，机器学习模型指导查询选择，直至收敛或达到轮次限制。
• 最终支付采用 VCG 规则计算，但也可替换为 VCG-nearest 等核心选择替代方案，以增强对联盟背叛的鲁棒性。
• 拍卖人可通过调整查询频率或每轮查询数量来控制轮次数量，从而实现可扩展性。

实验结果

研究问题

• RQ1 机器学习能否有效用于指导迭代组合拍卖中的价值查询选择，以提升分配效率？
• RQ2 在分配效率方面，MLCA 与 CCA 相比如何，尤其是在大规模组合领域中？
• RQ3 基于机器学习的查询选择过程是否保持了个体理性和无亏损特性？
• RQ4 投标人多大程度上存在谎报动机？该机制对策略性操纵的鲁棒性如何？
• RQ5 能否在不牺牲效率的前提下有效控制轮次数量？

主要发现

• 在大规模领域中，MLCA 即使仅使用少量价值查询，也显著优于 CCA 的分配效率。
• 在 GSVM 实验中，MLCA 在所有真实出价和虚报出价策略下均保持了理论最大社会福利的 100%（437.5），性能无显著下降。
• 在 LSVM 实验中，MLCA 在真实出价下实现了 532.6 的社会福利，100 次运行中波动极小，表明其具有鲁棒性。
• 操纵实验显示，真实出价与虚报出价策略在社会福利或效用方面无统计显著差异（p 值 ≥ 0.784），表明激励相容性极强。
• 即使在极端虚报出价（高达 99%）下，机制仍保持高效，社会福利与效用仅出现轻微下降，表明对策略行为具有强韧性。
• 拍卖人可通过调整查询频率或每轮查询数量有效控制轮次数量，使机制可扩展至小规模和大规模投标人集合。