[논문 리뷰] Robust Temporal Guarantees in Budgeted Sequential Auctions

Giannis Fikioris, Robert Kleinberg외 3명|arXiv (Cornell University)|2026. 02. 20.

Advanced Bandit Algorithms Research인용 수 0

한 줄 요약

간단한 프라이멀 학습 알고리즘은 예산 제약이 있는 순차 경매에서 견고한 보장을 제공합니다: 예산의 ρ 비율을 가진 입찰자가 ≈ ρT 라운드를 이기고, 자체 플레이에서는 시간에 걸쳐 거의 같고 저편차의 승리 분포를 얻습니다.

ABSTRACT

In modern advertising platforms, learning algorithms are deployed by budget-constrained bidders to maximize their accumulated value. These algorithms often offer classical utility guarantees like no-regret, i.e., the agent's utility is at least the utility achieved by some benchmark in which it is assumed that every other agent's bidding remains the same. These guarantees offer compelling properties: They are optimal against stationary competition distributions, and in unconstrained settings, the resulting empirical distribution of play induced by no-regret dynamics approximates a Coarse Correlated Equilibrium. However, no-regret algorithms are easily manipulable, and in budgeted settings, no stronger notion of regret (such as swap regret) is currently known that would limit such manipulation. We propose a very simple learning algorithm for budgeted sequential auctions where agents maximize their total number of wins and show that it has surprisingly appealing properties. We analyze this algorithm from two perspectives. First, we show that when an agent with a $ρ$ fraction of the total budget uses this algorithm, then she is guaranteed to win at least $ρT - O(\sqrt T)$ of the total $T$ rounds. This result holds for adversarial behavior by the other agents, as long as they respect their own budget restrictions. Second, we examine the scenario when all the agents follow our algorithm. By the first result, every agent's total wins are proportional to her budget, up to the additive $O(\sqrt T)$ term. In addition, we show that this result holds in a much stronger sense: after an initial period of $O(\sqrt T \log T)$ rounds, every agent gets the same guarantee over any time interval. For intervals of length $O(\sqrt T)$, we show that the deviation from the desired number of wins is an additive constant.

연구 동기 및 목표

• 전역 예산 제약 하에서 no-regret 프레임워크를 넘어 경매에서의 학습을 촉진한다.
• 프라이멀(원시) 결정적 입찰 업데이트 규칙을 제안하고 그것의 예산 안전성 특성을 분석한다.
• 예산을 준수하는 적대적 상대에 대한 최악의 경우 승리 보장을 확립한다.
• 자기 대결(self-play) 특성을 보여준다: 비례적 승리 분포와 시간에 따른 낮은 편차.

제안 방법

• 결정적 입찰 업데이트를 제안한다: b^{(t+1)} = b^{(t)} + η(ρ_i − p_i^{(t)}).
• 강한 점근 보장을 얻기 위해 η = 1/√T로 설정한다.
• 입찰가가 음수가 되지 않고 예산이 초과되지 않음을 보인다(레마 2.1).
• 최적화자 동작을 정수계획으로 모델링하고 라그랑주 완화를 통해 이득를 한계짓는다(정리 3.1).
• 수렴 특성: 볼록 함수 f(b)에 대한 부분그래디언트 하강 해석으로, 고유의 최솟값이 b=1인 경우(Eq. 5, 명제 4.3–4.5).
• 다중 에이전트 자기 대결 분석 제공: 스타트업 이후, 몫이 ρ_i인 각 에이전트는 길이 τ = Θ(√T)인 임의의 구간에서 ≈ ρ_iτ 만큼 승리한다.

실험 결과

연구 질문

• RQ1 간단한 프라이멀 입찰 규칙이 예산을 가진 입찰자들이 예산을 가진 상대에 대해 비례적 승리 비율을 보장할 수 있는가?
• RQ2 모든 에이전트가 규칙을 따른다면 이러한 프라이멀 동역학이 승리 분포의 시간적 편차를 낮추는가?
• RQ3 입찰이 안정적 구간으로 얼마나 빨리 수렴하고, 구간 기반 승리 보장에 어떤 시사점이 있는가?
• RQ4 이 규칙을 사용하는 예산 학습자에 대한 최적화자의 조작에 대한 이론적 한계는 무엇인가?
• RQ5 예산 제약하에서 자기 대결과 다중 구간으로의 확장은 어떻게 되는가?

주요 결과

• 예산 ρ_i T를 가진 에이전트는 예산을 준수하는 어떠한 적대적 상대에도 대해 최소한 ρ_i T − O(√T) 라운드를 이긴다.
• 모든 에이전트가 알고리즘을 사용하면 각 에이전트의 총 승리는 예산에 대략 비례하며, 추가적으로 O(√T) 스타트업 항이 있다.
• 초기 O(√T log T) 라운드 후, 모든 에이전트는 임의의 시간 구간에 대해 거의 동일한 보장을 달성하며, 길이 O(√T) 구간에서의 편차는 O(1)이다.
• 동일 예산 환경에서 에이전트들은 결국 로테이션 패턴으로 승리하며, 임의의 구간에서의 편차는 최대 (n−1)/n이다.
• 적절한 라운드 이후 입찰은 폭이 O(η)인 1을 둘러싼 구간으로 수렴하며, 작은 구간에 대해 O(1) 편차 한계를 가능하게 한다.