[论文解读] Extreme-Value Theorems for Optimal Multidimensional Pricing

Yang Cai, Constantinos Daskalakis|arXiv (Cornell University)|Jun 2, 2011

Auction Theory and Applications参考文献 17被引用 13

一句话总结

该论文提出了一种多项式时间算法，用于在买家估值独立分布时实现近似最优的多维定价，对于有界分布，实现的收益与最优值相差不超过加法项 $\epsilon$；对于单峰风险率（MHR）和常规分布，实现的收益达到最优值的 $(1-\epsilon)$ 分数。该研究建立了新颖的极值定理，并表明仅需少量不同的价格——对于 MHR 分布为 $1/\epsilon$ 的二次方量级，对于常规分布为 $n$ 的对数多项式量级——即可实现近似最优收益。

ABSTRACT

We provide a near-optimal, computationally efficient algorithm for the unit-demand pricing problem, where a seller wants to price n items to optimize revenue against a unit-demand buyer whose values for the items are independently drawn from known distributions. For any chosen accuracy eps>0 and item values bounded in [0,1], our algorithm achieves revenue that is optimal up to an additive error of at most eps, in polynomial time. For values sampled from Monotone Hazard Rate (MHR) distributions, we achieve a (1-eps)-fraction of the optimal revenue in polynomial time, while for values sampled from regular distributions the same revenue guarantees are achieved in quasi-polynomial time. Our algorithm for bounded distributions applies probabilistic techniques to understand the statistical properties of revenue distributions, obtaining a reduction in the search space of the algorithm via dynamic programming. Adapting this approach to MHR and regular distributions requires the proof of novel extreme value theorems for such distributions. As a byproduct, our techniques establish structural properties of approximately-optimal and near-optimal solutions. We show that, for values independently distributed according to MHR distributions, pricing all items at the same price achieves a constant fraction of the optimal revenue. Moreover, for all eps >0, g(1/eps) distinct prices suffice to obtain a (1-eps)-fraction of the optimal revenue, where g(1/eps) is quadratic in 1/eps and independent of n. Similarly, for all eps>0 and n>0, at most g(1/(eps log n)) distinct prices suffice if the values are independently distributed according to regular distributions, where g() is a polynomial function. Finally, when the values are i.i.d. from some MHR distribution, we show that, if n is a sufficiently large function of 1/eps, a single price suffices to achieve a (1-eps)-fraction of the optimal revenue.

研究动机与目标

• 解决在买家估值在多个商品上独立分布时，缺乏高效最优单位需求定价算法的问题。
• 开发一种计算高效的算法，对有界、MHR 和常规分布实现收益任意接近最优。
• 揭示近似最优定价策略的结构洞见，特别是实现近似最优收益所需的不同价格数量。
• 为独立同分布的 MHR 分布下的单一价格机制提供理论保证，表明当 $n$ 足够大时，单一价格即可实现 $(1-\epsilon)$-近似。
• 克服先前常数因子近似算法的局限性，实现在多项式或准多项式时间内达到 $(1-\epsilon)$-近似。

提出的方法

• 使用概率技术分析收益分布的统计特性，并通过动态规划减少有界分布的搜索空间。
• 证明针对 MHR 和常规分布量身定制的新极值定理，以实现高效的近似保证。
• 对锚定分布点进行二分查找，以找到近似最优价格，利用集中不等式和尾部概率估计。
• 对于独立同分布的 MHR 分布，基于顺序统计量和最大值的集中性，采用阈值策略，表明单一价格足以实现 $(1-\epsilon)$-近似。
• 利用结构引理减少候选价格数量，这些引理界定了实现 $(1-\epsilon)$-最优收益所需的不同价格数量。
• 结合动态规划与尾部概率界，实现对有界分布的加法 $\epsilon$-近似，时间复杂度为多项式时间。

实验结果

研究问题

• RQ1 我们能否设计一种多项式时间算法，实现单位需求定价在独立有界买家估值下的收益与最优值相差不超过加法项 $\epsilon$？
• RQ2 当估值来自 MHR 分布时，实现最优收益的 $(1-\epsilon)$-分数所需的不同价格的最小数量是多少？
• RQ3 当估值独立分布于常规分布时，不同价格的数量如何随 $n$ 和 $\epsilon$ 变化？
• RQ4 在什么条件下，对独立同分布的 MHR 分布估值，单一价格可实现最优收益的 $(1-\epsilon)$-分数？
• RQ5 我们能否建立近似最优定价机制的结构属性，例如对于 MHR 分布，是否存在使用单一价格实现常数因子近似的机制？

主要发现

• 对于 $[0,1]$ 区间内的有界分布，该算法在时间复杂度为 $n^{\log^3(1/\epsilon)/\epsilon}$ 的多项式时间内实现与最优值相差不超过加法项 $\epsilon$ 的收益。
• 对于 MHR 分布，该算法在时间复杂度为 $\log(\log n / \epsilon)$、$2^{\log(1/\epsilon)/\epsilon^8}$ 和输入大小的多项式时间内实现最优收益的 $(1-\epsilon)$-分数。
• 对于 MHR 分布，最多 $g(1/\epsilon)$ 个不同的价格足以实现最优收益的 $(1-\epsilon)$-分数，其中 $g(1/\epsilon)$ 是 $1/\epsilon$ 的二次函数。
• 对于常规分布，最多 $g(1/\epsilon \cdot \log n)$ 个不同的价格足以实现最优收益的 $(1-\epsilon)$-分数，其中 $g(\cdot)$ 是一个多项式函数。
• 当估值独立同分布于 MHR 分布且 $n \geq (12/\epsilon)^{12/\epsilon}$ 时，将所有商品定价为一个单一、可高效计算的价格，可实现至少 $(1-\epsilon)$-分数的最优收益。
• 一个反例表明，最优价格可能位于估值分布的支持集之外，从而否定了关于价格支持的常见直觉。