[论文解读] Beyond Equilibria: Mechanisms for Repeated Combinatorial Auctions

Brendan Lucier|ArXiv.org|Sep 30, 2009

Auction Theory and Applications参考文献 17被引用 3

一句话总结

本文提出了一种重复组合拍卖的机制，当竞标者使用后悔最小化或最佳响应策略时，该机制可实现最优社会福利的 $O(\sqrt{m})$ 近似。该研究引入了一种针对单调、输家无关算法的黑箱归约方法，确保在不依赖主导策略真实性的情况下实现近似效率，同时利用基于学习的竞标者行为模型。

ABSTRACT

We study the design of mechanisms in combinatorial auction domains. We focus on settings where the auction is repeated, motivated by auctions for licenses or advertising space. We consider models of agent behaviour in which they either apply common learning techniques to minimize the regret of their bidding strategies, or apply short-sighted best-response strategies. We ask: when can a black-box approximation algorithm for the base auction problem be converted into a mechanism that approximately preserves the original algorithm's approximation factor on average over many iterations? We present a general reduction for a broad class of algorithms when agents minimize external regret. We also present a new mechanism for the combinatorial auction problem that attains an $O(\sqrt{m})$ approximation on average when agents apply best-response dynamics.

研究动机与目标

• 设计适用于重复组合拍卖的机制，确保在非均衡竞标者行为下仍保持近似保证。
• 通过避免主导策略真实性，将计算效率与激励相容性解耦。
• 在两种现实的行为模型下分析机制：后悔最小化和短视最佳响应动态。
• 提供一种黑箱转换方法，将近似算法转化为机制，使其在重复轮次中平均保持性能。
• 在两种行为模型下均实现对最优社会福利的 $O(\sqrt{m})$ 近似。

提出的方法

• 提出一种基于单调、输家无关近似算法的组合拍卖机制。
• 应用黑箱归约，将此类算法转换为机制，使其在外部后悔最小化下保持近似因子。
• 提出一种新机制 $\mathcal{M}_{CA}$，在最佳响应动态下实现 $O(\sqrt{m})$ 的福利近似。
• 采用基于阈值的出价策略，即当出价集合有益时，竞标者至少出价其真实价值的一半。
• 使用概率集中不等式（如切尔诺夫不等式）证明以高概率收敛至近似因子。
• 通过比较实际出价下的社会福利与假设诚实出价和空出价下的福利，分析福利结果。

实验结果

研究问题

• RQ1 能否将黑箱近似算法转换为机制，使其在后悔最小化竞标者行为下保持近似因子？
• RQ2 当竞标者使用短视最佳响应策略时，重复组合拍卖中可实现的近似比是多少？
• RQ3 分配算法的结构（如单调性、输家无关性）如何影响重复设置下的机制设计？
• RQ4 在重复拍卖中，多大程度上可以保留计算效率而不依赖主导策略真实性？
• RQ5 机制能否在现实的、非均衡的行为模型下实现常数因子的福利近似？

主要发现

• 在竞标者使用后悔最小化行为的重复拍卖轮次中，该机制平均实现对最优社会福利的 $O(\sqrt{m})$ 近似。
• 在最佳响应动态下，该机制以高概率（关于竞标者更新顺序）实现对最优福利的 $O(\sqrt{m})$ 近似。
• 在给定行为模型下，任何竞标者都无法通过偏离至少出价其真实价值一半的出价来获得额外效用。
• 分析表明，对于任意大小不超过 $\sqrt{m}$ 的集合分配，该机制在期望下实现 $O(\sqrt{m})$ 的近似。
• 通过限制非诚实出价带来的损失，该机制对大小至少为 $\sqrt{m}$ 的集合分配也保持 $O(\sqrt{m})$ 的近似。
• 以高概率 $1 - 2ne^{-T\epsilon^2/n}$，在 $T$ 轮后，该机制实现 $\left(\frac{1}{O(\sqrt{m})} - \epsilon\right)$ 的最优福利近似。