[论文解读] A Note on Selling Optimally Two Uniformly Distributed Goods

Yiannis Giannakopoulos|arXiv (Cornell University)|Sep 24, 2014

Auction Theory and Applications参考文献 3被引用 3

一句话总结

本文为在 [c, c+1] 上 i.i.d. 均匀分布估值的两商品垄断市场，提供了基于对偶性的简化、构造性最优收益最大化机制证明。通过放松买方效用函数的凸性约束，并显式构造最优对偶解，作者表明当 c ≥ 0.092 时，松弛解是可行且最优的；但当 0 < c < 0.092 时，凸性至关重要——这首次展示了在两商品正则 i.i.d. 设置下，即使放松凸性也会导致收益损失的明确案例。

ABSTRACT

We provide a new, much simplified and straightforward proof to a result of Pavlov [2011] regarding the revenue maximizing mechanism for selling two goods with uniformly i.i.d. valuations over intervals $[c,c+1]$, to an additive buyer. This is done by explicitly defining optimal dual solutions to a relaxed version of the problem, where the convexity requirement for the bidder's utility has been dropped. Their optimality comes directly from their structure, through the use of exact complementarity. For $c=0$ and $c\geq 0.092$ it turns out that the corresponding optimal primal solution is a feasible selling mechanism, thus the initial relaxation comes without a loss, and revenue maximality follows. However, for $0

研究动机与目标

• 为在 [c, c+1] 上 i.i.d. 均匀分布估值的两商品，提供一种简化且构造性的最优收益最大化机制证明。
• 研究在对偶框架下，凸性约束在收益最大化中的必要性。
• 证明放松凸性可能导致目标值严格高于任何可行的真性机制所能达到的水平。
• 量化当 c < 0.092 时，松弛原始解与可行机制之间的近似差距。
• 提出显式、闭式对偶解，使可通过互补性直接验证最优性。

提出的方法

• 通过放弃买方效用函数的凸性要求以及导数的非负性，松弛原始收益最大化问题。
• 在估值空间 [c, c+1]² 上，显式构造具有分段线性结构的闭式对偶函数 z₁ 和 z₂。
• 利用原始解与对偶解之间的精确互补性，无需直接求解原始问题即可验证最优性。
• 应用 Giannakopoulos 和 Koutsoupias [2] 的对偶框架，验证对偶目标值与原始收益一致。
• 分析由对偶诱导的原始解，判断其是否对应于可行的真性机制（即凸且非递减的效用函数）。
• 采用几何与导数分析，验证不同 c 范围下对偶变量的非负性及原始解的可行性。

实验结果

研究问题

• RQ1 能否使用更简单、构造性的对偶框架，重新推导出两组均匀分布商品的最优机制？
• RQ2 在何种 c 值下，松弛后的对偶解（无凸性）仍可作为真性销售机制可行？
• RQ3 在两商品 i.i.d. 均匀设置下，若放弃凸性，收益损失的范围有多大？
• RQ4 当 c 较小时，松弛原始解与最佳可行机制（随机、确定性、全捆绑）的接近程度如何？
• RQ5 具有显式对偶构造的对偶框架，是否能实现无需求解原始问题即可直接验证最优性？

主要发现

• 当 c ≥ 0.092 时，松弛原始-对偶问题的最优解是凸的，且对应于可行的真性机制，具体为价格为 (4c + √(4c² + 6))/3 的全捆绑机制。
• 当 0 < c < 0.092 时，最优松弛原始解非凸，因此不是有效的真性机制，证明在此设定下凸性不可省略。
• 当 c ∈ [0, 0.092] 时，松弛原始目标值与最佳可行机制之间的差距最多为 7.5‱（0.075%），其中确定性机制与全捆绑机制分别实现 2‰ 和 9‰ 的近似比。
• 当 c = 0 时，原始解对应于一项确定性机制，商品价格为 2/3，组合价格为 (4 − √2)/3，与 Pavlov 的结果一致。
• 对偶解以显式闭式构造，可通过互补性直接验证最优性，不同于以往基于存在性的对偶证明。
• 分析表明，当 c ≥ 0.092 时，全捆绑机制最优；而当 c < 0.092 时，最优机制为菜单复杂度为 4 的随机机制，如 Pavlov 所示。