[논문 리뷰] Non-parametric Revenue Optimization for Generalized Second Price Auctions

Mehryar Mohri, Andrés Muñoz Medina|arXiv (Cornell University)|2015. 06. 08.

Consumer Market Behavior and Pricing참고 문헌 19인용 수 11

한 줄 요약

이 논문은 밀도 추정과 $O(nS\log(nS))$ 실행 시간을 가지는 새로운 판별적 접근 방식을 사용하여 일반화된 제2가격 경매(GSP) 경매에서 잠금 가격을 최적화하기 위한 두 가지 비모수적 학습 알고리즘을 제안한다. 이는 경험적 균형 입찰 함수가 대칭 베이지안-내시 균형으로 수렴하는 데 대한 이론적 분석을 제공하며, 최소한의 가정 하에 강력한 일반화 보장을 확립한다.

ABSTRACT

We present an extensive analysis of the key problem of learning optimal reserve prices for generalized second price auctions. We describe two algorithms for this task: one based on density estimation, and a novel algorithm benefiting from solid theoretical guarantees and with a very favorable running-time complexity of $O(n S \log (n S))$, where $n$ is the sample size and $S$ the number of slots. Our theoretical guarantees are more favorable than those previously presented in the literature. Additionally, we show that even if bidders do not play at an equilibrium, our second algorithm is still well defined and minimizes a quantity of interest. To our knowledge, this is the first attempt to apply learning algorithms to the problem of reserve price optimization in GSP auctions. Finally, we present the first convergence analysis of empirical equilibrium bidding functions to the unique symmetric Bayesian-Nash equilibrium of a GSP.

연구 동기 및 목표

• GSP 경매에서 전통적인 메커니즘이 인센티브 호환성이 없기 때문에, 최적의 잠금 가격을 학습하는 데 도전하는 것.
• 모수적 분포를 가정하지 않고 역사적 입찰 데이터를 활용하여 경매 수익을 극대화하는 기반 학습 기반 접근 방식을 개발하는 것.
• 최소한의 가정 하에 경험적 입찰 함수가 진정한 대칭 베이지안-내시 균형으로 수렴하는 데 이론적 보장을 제공하는 것.
• 실행 시간 복잡도가 $O(nS\log(nS))$인 계산적으로 효율적인 알고리즘을 설계하여 이전 방법들을 향상시키는 것.

제안 방법

• Guerre 등(2000)의 밀도 추정 기반 알고리즘을 GSP 설정으로 확장하여 잠금 가격 최적화를 위한 것.
• 손실 함수를 직접 최적화하는 새로운 판별적 알고리즘을 도입하여 기대 수익 이탈을 최소화하는 것.
• 입찰자 행동과 균형 조건을 모델링하기 위해 $\mathbf{M}'$과 $\mathbf{p}_i$를 포함하는 재귀적 행렬 공식을 사용하는 것.
• 표본 크기 $n$과 슬롯 수 $S$에 따라 추정 오차를 제한하기 위해 농도 부등식과 경험 과정 이론을 활용하는 것.
• 표본 크기 $n$과 로그 항을 사용하여 경험적 입찰 함수가 진정한 균형에서 벗어나는 정도에 대한 고확률 경계를 유도하는 것.
• 입찰자들이 균형을 이루지 않더라도 경험적 균형 함수가 진정한 대칭 베이지안-내시 균형으로 수렴하는 이론적 수렴을 확립하는 것.

실험 결과

연구 질문

• RQ1 역사적 입찰 데이터만을 가정할 때, 비모수적 학습 방법이 GSP 경매에서 잠금 가격 최적화에 효과적으로 적용될 수 있는가?
• RQ2 GSP 경매에서 경험적 입찰 함수가 대칭 베이지안-내시 균형으로 수렴하는 데 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ3 다중 슬롯 경매에서 수익 손실을 최소화하면서도 계산 효율성을 유지할 수 있는 학습 알고리즘은 어떻게 설계할 수 있는가?
• RQ4 입찰자들이 균형을 이루지 않더라도, 제안된 알고리즘이 언제나 잘 정의되고 효과적인가?
• RQ5 경험적 균형 입찰 함수의 수렴 속도는 무엇이며, 표본 크기와 어떻게 척도가 되는가?

주요 결과

• 제안된 판별적 알고리즘이 $O(nS\log(nS))$의 런타임 복잡도를 달성하여 이전 방법들보다 뚜렷한 효율성 향상을 보인다.
• 이론적 분석을 통해 경험적 입찰 함수가 진정한 대칭 베이지안-내시 균형으로 수렴하는 속도가 $O(1/\sqrt{n})$임을 입증하며, 높은 확률로 성립한다.
• 확률이 $1-\delta$ 이상일 때, 추정된 입찰 함수와 진정한 함수 사이의 편차는 $O\left(\frac{\log(2/\delta)^{N/2}}{\sqrt{n}}\right)$ 이하로 제한되며, 여기서 $N$은 입찰자 수이다.
• 입찰자들이 균형을 이루지 않더라도 알고리즘이 잘 정의되고 최적임을 보장하며, 의미 있는 수익 관련 손실 함수를 최소화한다.
• 실험 결과는 평가 분포가 로그정규분포이고 지지가 0에서 멀리 떨어져 있지 않더라도 경험적 균형 함수가 진정한 균형으로 수렴함을 보여준다.
• 이 논문은 GSP 경매에서 유일한 대칭 베이지안-내시 균형으로의 경험적 균형 입찰 함수 수렴 분석을 처음으로 제시한다.