Conceitos Básicos
Durch den Einsatz von Multi-Task-Lernen können die Bewertungsfunktionen der Bieter effizienter geschätzt werden, insbesondere in Szenarien mit vielen Bietern und begrenzter Anzahl von Abfragen.
Resumo
Die Studie befasst sich mit dem Problem der Effizienzsteigerung in iterativen kombinatorischen Auktionen (ICAs). ICAs sind eine Art kombinatorischer Auktion, bei der der Auktionator mit den Bietern interagiert, um deren Bewertungsinformationen mit einer begrenzten Anzahl von Abfragen zu sammeln, mit dem Ziel einer effizienten Zuteilung.
Die Präferenzerhebung, ein Prozess, bei dem die Bieter schrittweise aufgefordert werden, Bündel zu bewerten, während die Ergebniszuteilung verfeinert wird, ist eine häufig verwendete Technik in ICAs. Der Einsatz von Maschinellem Lernen (ML) in ICAs hat die Präferenzerhebung erheblich verbessert. Dieser Ansatz verwendet ML-Modelle, die auf die Anzahl der Bieter abgestimmt sind und die Bewertungsfunktionen jedes Bieters basierend auf deren gemeldeten Bewertungen schätzen.
Die meisten derzeitigen Studien trainieren jedoch ein separates Modell für jeden Bieter, was ineffizient sein kann, wenn es viele Bieter mit ähnlichen Bewertungsfunktionen und eine begrenzte Anzahl von verfügbaren Abfragen gibt. In dieser Studie führen wir eine Multi-Task-Lernmethode ein, um Bewertungsfunktionen effizienter zu lernen. Konkret schlagen wir vor, die Modellparameter während des Trainings zu teilen, um die inhärenten Beziehungen zwischen den Bewertungen zu erfassen.
Die Ergebnisse zeigen, dass unser Ansatz eine höhere Effizienz als bestehende Methoden erreicht, insbesondere in Szenarien mit vielen Bietern und Artikeln, aber einer begrenzten Anzahl von maximalen Abfragen.
Estatísticas
Die Auktion enthält 98 oder 196 Artikel und 3 bis 50 Bieter.
Die maximale Anzahl der Abfragen ist auf 10 begrenzt.
Citações
Keine relevanten Zitate gefunden.