[论文解读] Approximation Schemes for Sequential Posted Pricing in Multi-Unit Auctions

Tanmoy Chakraborty, Eyal Even-Dar+3 more|arXiv (Cornell University)|Aug 10, 2010

Auction Theory and Applications参考文献 12被引用 5

一句话总结

本文提出了一种多项式时间近似方案（PTAS），用于在具有 K 个相同物品和 n 位买家、且价值分布为贝叶斯分布的多单位拍卖中，计算收益最大化的顺序出价机制（SPMs）。对于较大的 K，该方法实现了 (1−1/√(2πK)) 的近似比；对于常数 K，实现了 PTAS，表明适应性差距——最优自适应 SPM 与非自适应 SPM 之间的差异——随着 K 增大而消失。

ABSTRACT

We design algorithms for computing approximately revenue-maximizing {\em sequential posted-pricing mechanisms (SPM)} in $K$-unit auctions, in a standard Bayesian model. A seller has $K$ copies of an item to sell, and there are $n$ buyers, each interested in only one copy, who have some value for the item. The seller must post a price for each buyer, the buyers arrive in a sequence enforced by the seller, and a buyer buys the item if its value exceeds the price posted to it. The seller does not know the values of the buyers, but have Bayesian information about them. An SPM specifies the ordering of buyers and the posted prices, and may be {\em adaptive} or {\em non-adaptive} in its behavior. The goal is to design SPM in polynomial time to maximize expected revenue. We compare against the expected revenue of optimal SPM, and provide a polynomial time approximation scheme (PTAS) for both non-adaptive and adaptive SPMs. This is achieved by two algorithms: an efficient algorithm that gives a $(1-\frac{1}{\sqrt{2πK}})$-approximation (and hence a PTAS for sufficiently large $K$), and another that is a PTAS for constant $K$. The first algorithm yields a non-adaptive SPM that yields its approximation guarantees against an optimal adaptive SPM -- this implies that the {\em adaptivity gap} in SPMs vanishes as $K$ becomes larger.

研究动机与目标

• 设计高效算法，用于在贝叶斯价值分布下计算 K 单位拍卖中近似收益最大化的顺序出价机制（SPMs）。
• 通过改进近似保证，弥合现有 (1−1/e) 近似界与最优 SPM 收益之间的差距。
• 分析并量化最优自适应与非自适应 SPM 之间的适应性差距，表明该差距随 K 增大而减小。
• 为非自适应和自适应 SPM 构建一个适用于所有 K 值的 PTAS。
• 为在线广告和电子商务等实际场景中的机制提供理论基础，这些场景中出价定价十分常见。

提出的方法

• 将 SPM 问题形式化为线性规划（LP）松弛，其中最优 LP 解上界为任意自适应 SPM 的期望收益。
• 通过按出价价格递减顺序排列买家，从 LP 松弛的整数解构造一个非自适应 SPM。
• 使用脊柱截断与分段替换技术，限制表示自适应策略的决策树中的分支节点数量，确保多项式复杂度。
• 在脊柱上定义关键节点，以在减少分支的同时保持收益保证，确保每段的收益损失被控制在 (1−2ε) 因子以内。
• 对决策树进行递归分解，将买家分组为总权重有界的段，并修改子树以最小化分支，同时保持收益在最优值的 ε 范围内。
• 结合两种算法：一种用于大 K 值，采用 (1−1/√(2πK)) 近似；另一种用于常数 K 的 PTAS，从而为所有 K 值提供完整的 PTAS。

实验结果

研究问题

• RQ1 我们能否设计一种多项式时间算法，其近似比优于 K 单位拍卖中最优 SPM 的 (1−1/e) 界？
• RQ2 随着物品数量 K 增大，最优自适应与非自适应 SPM 之间的适应性差距是否会消失？
• RQ3 当 K 为常数时，是否可能构造一个用于计算最优 SPM 的 PTAS，即使在自适应设置下？
• RQ4 如何高效近似最优自适应 SPM，同时控制决策树中分支决策的数量？
• RQ5 决策树的哪些结构特性（例如脊柱、关键节点）可被利用以降低复杂度，同时保持收益保证？

主要发现

• 本文对非自适应 SPM 实现了 (1−1/√(2πK)) 的近似比，对于大 K 值，该结果优于 (1−1/e) 界。
• 该近似比被证明是大 K 值下的有效 PTAS，因为当 K 增大时，1/√(2πK) → 0。
• 适应性差距渐近消失：即使与最优自适应 SPM 比较，该 (1−1/√(2πK)) 近似比依然成立。
• 对于常数 K，为自适应 SPM 构建了独立的 PTAS，实现了在多项式时间内 (1−ε) 的近似。
• 通过脊柱分解与关键节点选择，决策树中的分支节点数被减少至 (K/ε)^O(1)，确保了多项式时间计算。
• 由于树简化导致的收益损失被控制在 (1−2ε) 因子以内，通过将分支决策推迟到关键节点，并控制截断买家序列的影响实现。