深度学习驱动的迭代组合拍卖
摘要：深度学习驱动的迭代组合拍卖设计 摘要：本文研究了深度学习驱动的迭代组合拍卖（ICAs）的设计。我们在之前的工作基础上进行了研究，其中通过核化支持向量回归（SVRs）进行了偏好征集。然而，基于SVR的方法存在局限性，因为它需要解决基于机器学习（ML）的赢家确定问题（WDP）。在具有表达性的核函数（如高斯核）的情况下，ML-based WDP无法解决大型领域的问题。虽然线性或二次核函数具有更好的计算可扩展性，但这些核函数的表达能力有限。在本文中，我们通过使用深度神经网络（DNNs）代替SVRs来解决这些不足之处。首先，我们展示了基于DNN的WDP如何被重构为混合整数规划（MIP）。其次，我们通过实验证明了DNNs相对于SVRs的预测性能。第三，我们对两个中等规模的领域进行了实验评估，结果表明，即使基于相对较小规模的DNNs的ICAs也比基于核化的SVRs的ICAs具有更高的经济效益。最后，我们展示了我们的DNN驱动的ICA在非常大的组合拍卖领域中的良好可扩展性。
作者：Jakob Weissteiner and Sven Seuken
论文ID：1907.05771
分类：Computer Science and Game Theory
分类简称：cs.GT
提交时间：2023-03-14