[论文解读] ProportionNet: Balancing Fairness and Revenue for Auction Design with Deep Learning

Kevin Kuo, Anthony Ostuni+6 more|arXiv (Cornell University)|Oct 13, 2020

Auction Theory and Applications参考文献 31被引用 8

一句话总结

ProportionNet 引入了一种基于深度学习的拍卖机制，通过在受保护群体之间的分配比例上施加约束，同时最大化收益并确保公平性，使用可微分的公平性正则化损失。它在先前基于深度学习的收益最大化拍卖研究基础上进行扩展，同时确保策略无关性，并在广告及类似应用中减少差异性影响。

ABSTRACT

The design of revenue-maximizing auctions with strong incentive guarantees is a core concern of economic theory. Computational auctions enable online advertising, sourcing, spectrum allocation, and myriad financial markets. Analytic progress in this space is notoriously difficult; since Myerson's 1981 work characterizing single-item optimal auctions, there has been limited progress outside of restricted settings. A recent paper by Dütting et al. circumvents analytic difficulties by applying deep learning techniques to, instead, approximate optimal auctions. In parallel, new research from Ilvento et al. and other groups has developed notions of fairness in the context of auction design. Inspired by these advances, in this paper, we extend techniques for approximating auctions using deep learning to address concerns of fairness while maintaining high revenue and strong incentive guarantees.

研究动机与目标

• 解决高收益机制可能对受保护群体产生不公平结果的拍卖设计空白。
• 在不牺牲收益或策略无关性的前提下，将公平性约束整合到基于深度学习的拍卖机制中。
• 开发一种可微分且可扩展的方法，用于在多物品拍卖中强制实现不同人口群体之间的比例分配。
• 提供一个技术框架，支持在线广告和频谱拍卖等现实应用中的公平机制设计。
• 探索在深度学习驱动的拍卖系统中，公平性、收益与激励相容性之间的权衡。

提出的方法

• ProportionNet 使用神经网络表示拍卖机制，将出价映射为分配结果和支付金额。
• 它引入了一种可微分的公平性正则化损失，惩罚来自不同受保护群体的个体之间分配比例的不均衡。
• 公平性损失通过相似个体之间分配比例的距离度量来定义，确保同等出价者获得相似对待。
• 模型通过结合收益最大化与公平性正则化的多目标损失端到端进行训练。
• 通过受 RegretNet 启发的训练目标保持策略无关性，确保诚实出价为最优策略。
• 该架构设计为可在不同拍卖场景和估值分布下实现可扩展性和泛化能力。

实验结果

研究问题

• RQ1 能否使用深度学习设计出在保护性人口群体之间也实现公平性的收益最大化拍卖？
• RQ2 如何在不损害策略无关性的前提下，形式化且可微分地将公平性整合到基于深度学习的拍卖机制中？
• RQ3 在使用神经网络的多物品拍卖设计中，收益与公平性之间的权衡是什么？
• RQ4 所学习的机制在现实应用（如在线广告）中能在多大程度上减少差异性影响？
• RQ5 与现有公平性约束相比，所提出的公平性正则化在性能和可扩展性方面表现如何？

主要发现

• ProportionNet 有效减少了具有相同估值但来自不同受保护群体的相似个体之间的分配差异。
• 该模型维持了与非公平基线（如 RegretNet）相当的高收益水平，表明公平性并不以显著牺牲收益为代价。
• 公平性正则化损失有效约束了分配比例，防止因严重失衡导致的差异性影响。
• 该方法保持了策略无关性，确保在所学习机制下诚实出价始终为最优策略。
• 实证结果表明，ProportionNet 在公平性方面优于基线方法，同时在收益和激励相容性方面保持强劲表现。
• 该方法具备可扩展性和泛化能力，具有在现实场景（如在线广告和频谱拍卖）中部署的潜力。