[论文解读] The Pseudo-Dimension of Near-Optimal Auctions

Jamie Morgenstern, Tim Roughgarden|arXiv (Cornell University)|Jun 11, 2015

Auction Theory and Applications参考文献 24被引用 23

一句话总结

本文提出了 t-level 拍卖——一类通过在简单保留价拍卖与复杂最优拍卖之间插值，以平衡简洁性与收益表现的机制。证明了 t-level 拍卖的伪维数较低（O(nt log nt)），从而支持样本高效的学习；并表明当 t = O(Hn²/ε) 时，其对任意 n 位投标人、估值范围为 [0,H] 的产品分布，可实现与最优拍卖相差 ε 以内的加法收益近似。

ABSTRACT

This paper develops a general approach, rooted in statistical learning theory, to learning an approximately revenue-maximizing auction from data. We introduce $t$-level auctions to interpolate between simple auctions, such as welfare maximization with reserve prices, and optimal auctions, thereby balancing the competing demands of expressivity and simplicity. We prove that such auctions have small representation error, in the sense that for every product distribution $F$ over bidders' valuations, there exists a $t$-level auction with small $t$ and expected revenue close to optimal. We show that the set of $t$-level auctions has modest pseudo-dimension (for polynomial $t$) and therefore leads to small learning error. One consequence of our results is that, in arbitrary single-parameter settings, one can learn a mechanism with expected revenue arbitrarily close to optimal from a polynomial number of samples.

研究动机与目标

• 为解决在估值分布未知时设计既简洁又近乎收益最优的拍卖机制的挑战。
• 应用统计学习理论工具——特别是伪维数——量化从数据中学习接近最优拍卖的样本复杂度。
• 开发一个可调节的拍卖类（t-level 拍卖），使设计者能够在表达能力（以降低表示误差）与可学习性（以降低学习误差）之间取得平衡。
• 证明 t-level 拍卖集合的伪维数较小，从而确保从多项式数量的样本中学习可得到期望收益接近最优的机制。
• 提供在 H、n 和 ε⁻¹ 上为多项式形式的样本复杂度上界，与单件拍卖的已知下界相匹配。

提出的方法

• 将 t-level 拍卖引入为简单保留价机制（t=1）与复杂最优拍卖（t→∞）之间的连续插值，其参数为价值层级数 t。
• 定义虚拟价值阈值 Φτ，将虚拟价值范围划分为宽度为 ε/n 的区间，从而实现对连续虚拟盈余最大化的离散近似。
• 使用 t-level 拍卖类的伪维数作为复杂度度量，证明其在 n 位投标人和 t 个层级下为 O(nt log nt)。
• 应用统计学习理论中的泛化界：以高概率，t-level 拍卖类上的经验收益最大化者可实现与最优期望收益相差 ε 以内的期望收益。
• 通过证明当 t = O(Hn²/ε) 时，存在一个 t-level 拍卖，其期望收益与最优拍卖的期望收益相差不超过 ε，从而建立表示误差上界。
• 利用伪维数与集中不等式，推导出实现最优期望收益加法 ε-近似所需的样本复杂度上界为 Õ(H³n⁵/ε³)。

实验结果

研究问题

• RQ1 能否设计一类拍卖机制，在估值分布未知时，实现简洁性与近乎最优收益表现之间的平衡？
• RQ2 t-level 拍卖的伪维数是多少？其增长速度是否足够缓慢，以支持样本高效的学习？
• RQ3 t 需多大，才能确保对于任意 n 位投标人、估值范围为 [0,H] 的产品分布，t-level 拍卖的表示误差在最优期望收益的 ε 以内？
• RQ4 能否以与单件拍卖已知下界相匹配的方式，对学习近似最优拍卖的样本复杂度进行有界？
• RQ5 是否可以通过在 t-level 拍卖上进行经验收益最大化，实现对最优收益的乘法近似？还是仅能获得加法保证？

主要发现

• t-level 拍卖类的伪维数为 O(nt log nt)，这确保了从多项式数量样本中学习是可行的。
• 对于任意具有 n 位投标人、估值范围为 [0,H] 的单参量环境，当 t = O(Hn²/ε) 时，t-level 拍卖可实现与最优期望收益相差 ε 以内的期望收益。
• 通过经验收益最大化学习 (1−ε)-近似拍卖所需的样本复杂度为 Õ(H³n⁵/ε³)，与已知下界相比仅相差对数因子。
• 在 t-level 拍卖上进行经验收益最大化的机制，以高概率可实现与 Myerson 最优期望收益相差 ε 以内的真实期望收益。
• 结果表明，在任意单参量设置下，只要使用 t-level 拍卖类，即可从多项式数量样本中学习到期望收益任意接近最优的机制。
• 该框架可根据环境结构支持加法或乘法近似保证，且在一般设置下也可实现加法保证。