[论文解读] The Sample Complexity of Revenue Maximization

Richard Cole, Tim Roughgarden|arXiv (Cornell University)|Feb 3, 2015

Auction Theory and Applications参考文献 23被引用 6

一句话总结

本文证明，在具有 k 位竞标者且估值分布独立但不相同的单件拍卖中，Θ(k²/ε²) 个样本对于通过经验 Myerson 拍卖实现最优收益的 (1−ε)-近似是必要且充分的。该结果适用于 α-强正则分布，并解决了在数据驱动学习的贝叶斯拍卖设计设置下样本复杂度的问题。

ABSTRACT

In the design and analysis of revenue-maximizing auctions, auction performance is typically measured with respect to a prior distribution over inputs. The most obvious source for such a distribution is past data. The goal is to understand how much data is necessary and sufficient to guarantee near-optimal expected revenue. Our basic model is a single-item auction in which bidders' valuations are drawn independently from unknown and non-identical distributions. The seller is given $m$ samples from each of these distributions "for free" and chooses an auction to run on a fresh sample. How large does m need to be, as a function of the number k of bidders and eps > 0, so that a (1 - eps)-approximation of the optimal revenue is achievable? We prove that, under standard tail conditions on the underlying distributions, m = poly(k, 1/eps) samples are necessary and sufficient. Our lower bound stands in contrast to many recent results on simple and prior-independent auctions and fundamentally involves the interplay between bidder competition, non-identical distributions, and a very close (but still constant) approximation of the optimal revenue. It effectively shows that the only way to achieve a sufficiently good constant approximation of the optimal revenue is through a detailed understanding of bidders' valuation distributions. Our upper bound is constructive and applies in particular to a variant of the empirical Myerson auction, the natural auction that runs the revenue-maximizing auction with respect to the empirical distributions of the samples. Our sample complexity lower bound depends on the set of allowable distributions, and to capture this we introduce alpha-strongly regular distributions, which interpolate between the well-studied classes of regular (alpha = 0) and MHR (alpha = 1) distributions. We give evidence that this definition is of independent interest.

研究动机与目标

• 确定在单件拍卖设置中，为学习近似最优拍卖机制所需最少的独立同分布样本数量。
• 弥合贝叶斯先验下收益最大化问题中已知上界与下界之间的差距。
• 分析竞标者竞争、非相同分布与常数因子收益近似可行性之间的相互作用。
• 形式化并分析 α-强正则分布类，作为正则分布与 MHR 分布之间的自然插值。
• 通过经验 Myerson 拍卖提供构造性上界，并给出匹配的信息论下界。

提出的方法

• 提出一种模型：卖方使用来自未知且不相同的竞标者估值分布的 m 个独立同分布样本，为一次新的、未见过的估值抽取设计一个可信拍卖。
• 将经验 Myerson 拍卖作为核心机制进行分析，该机制利用样本的经验分布计算收益最大化的拍卖。
• 引入 α-强正则分布以刻画估值分布的尾部行为，实现从正则分布（α=0）到 MHR 分布（α=1）的插值。
• 使用集中不等式和收益分解技术，通过虚拟盈余和虚拟估值函数的界来控制经验收益与真实收益之间的差异。
• 通过仔细校准 δ、Δ、ν 和 ξ 参数，控制虚拟盈余和收益近似中的误差项，推导出样本复杂度界。
• 采用多阶段误差分解方法，将总收益损失划分为分布估计误差、虚拟价值近似误差和保留价误差的贡献。

实验结果

研究问题

• RQ1 在估值分布独立但不相同的单件拍卖中，为保证实现 (1−ε)-近似最优收益，所需的最少样本数量是多少？
• RQ2 在不了解底层估值分布详细信息的情况下，能否实现最优收益的常数因子近似？
• RQ3 在标准分布假设下，样本复杂度如何随竞标者数量 k 和误差容限 ε 变化？
• RQ4 经验 Myerson 拍卖是否足以在多项式样本数量下实现近似最优收益？
• RQ5 为确保收益最大化问题的多项式样本复杂度，所需的分布条件是什么？

主要发现

• 实现 (1−ε)-近似最优收益所需的样本复杂度在 k 和 1/ε 上为多项式关系，上界为 O(k¹⁰/ε⁷ log³(k/ε))。
• 匹配的下界表明，Ω(k²/ε²) 个样本是必需的，表明对 k 和 ε 的依赖关系在对数因子范围内是紧的。
• 当 m = Ω(k¹⁰/ε⁷ log³(k/ε)) 个样本可用时，经验 Myerson 拍卖以高概率实现所需的 (1−ε)-近似。
• 引入了 α-强正则分布类，并证明其是分析样本复杂度的自然框架，对分布尾部行为具有重要意义。
• 结果表明，即使竞标者非相同且存在竞争，要实现最优收益的常数近似，仍需对底层分布有详细知识。
• 分析表明，先验无关或简单的拍卖设计无法在缺乏足够样本数据的情况下实现常数因子收益近似，凸显了分布学习的必要性。