[论文解读] A Scalable Neural Network for DSIC Affine Maximizer Auction Design

Zhijian Duan, Haoran Sun+2 more|arXiv (Cornell University)|May 20, 2023

Auction Theory and Applications被引用 6

一句话总结

AMenuNet 是一种可扩展的神经网络，用于设计主导策略激励相容（DSIC）且个体理性（IR）的仿射最大化者拍卖（AMA）。它使用排列等变的 Transformer 架构生成 AMA 参数——包括分配菜单、投标人权重和增强变量，从而实现高收益、强可扩展性，并在不增加参数数量的情况下实现跨拍卖规模的良好泛化能力。

ABSTRACT

Automated auction design aims to find empirically high-revenue mechanisms through machine learning. Existing works on multi item auction scenarios can be roughly divided into RegretNet-like and affine maximizer auctions (AMAs) approaches. However, the former cannot strictly ensure dominant strategy incentive compatibility (DSIC), while the latter faces scalability issue due to the large number of allocation candidates. To address these limitations, we propose AMenuNet, a scalable neural network that constructs the AMA parameters (even including the allocation menu) from bidder and item representations. AMenuNet is always DSIC and individually rational (IR) due to the properties of AMAs, and it enhances scalability by generating candidate allocations through a neural network. Additionally, AMenuNet is permutation equivariant, and its number of parameters is independent of auction scale. We conduct extensive experiments to demonstrate that AMenuNet outperforms strong baselines in both contextual and non-contextual multi-item auctions, scales well to larger auctions, generalizes well to different settings, and identifies useful deterministic allocations. Overall, our proposed approach offers an effective solution to automated DSIC auction design, with improved scalability and strong revenue performance in various settings.

研究动机与目标

• 解决现有仿射最大化者拍卖（AMA）方法在考虑所有确定性分配时的可扩展性限制，这些分配随拍卖规模呈指数级增长。
• 通过 AMA 的数学性质，克服类似 RegretNet 方法的近似 DSIC 保证，确保严格满足 DSIC 和 IR。
• 设计一种神经网络架构，可在不增加模型参数数量的情况下，泛化于不同数量的投标人和物品。
• 实现分配菜单、权重和增强变量的端到端学习，以提升收益和机制设计的灵活性。
• 证明可学习的、由神经网络生成的分配菜单在收益和可扩展性方面优于固定或手工设计的菜单。

提出的方法

• AMenuNet 通过神经网络直接从投标人和物品表征中构建 AMA 参数，包括分配菜单、投标人权重和增强变量。
• 采用基于 Transformer 的排列等变架构，确保对投标人和物品顺序的不变性，且参数数量与拍卖规模无关。
• 分配菜单通过神经生成进行参数化和学习，避免对所有可能分配进行指数级枚举。
• 由于仿射最大化者拍卖的数学性质，该机制天然满足 DSIC 和 IR。
• 模型通过离线学习进行端到端训练，以在满足 DSIC 和 IR 约束下最大化拍卖人收益。
• 该架构支持分布外泛化，使模型可部署于训练中未见过的、拥有更多投标人或物品的拍卖中。

实验结果

研究问题

• RQ1 神经网络能否生成一种可扩展、DSIC 且 IR 的拍卖机制，避免 AMA 中分配候选数量的指数级增长？
• RQ2 通过神经网络学习分配菜单、权重和增强变量，是否能相比固定或预定义菜单提升收益？
• RQ3 所提出的架构能否泛化到训练数据中未包含的投标人或物品数量不同的拍卖？
• RQ4 AMenuNet 在收益和 DSIC 执行方面与类似 RegretNet 的方法相比表现如何？
• RQ5 AMenuNet 发现的分配类型（确定性或随机性）是什么，它们对收益有何影响？

主要发现

• AMenuNet 在上下文和非上下文的多物品拍卖中，均实现了高于强 DSIC 和 IR 基线的收益。
• 其收益表现与仅保证近似 DSIC 的 RegretNet 类似方法相当，但同时确保了严格的 DSIC 和 IR。
• 消融实验证实，可学习的分配菜单显著提升了收益和可扩展性，优于固定菜单或全连接网络（FCN）替代方案。
• AMenuNet 在训练数据中未见的更多投标人或物品的拍卖中表现出良好泛化能力，尤其在物品数量较多时，性能接近 Item-Myerson。
• 该模型发现了有用的确定性分配，且在某些情况下，将空分配以高增强值识别为一种保留价格机制，尤其在出价较低时。
• 在较大拍卖中（如 2×10、3×10），随机分配占获胜分配的 17% 以上，表明模型利用混合策略来提升收益。