Core Concepts
다수의 참여자가 있는 반복적 조합 경매에서 기계 학습을 활용하여 효율적인 선호 도출을 달성하는 것이 이 연구의 핵심 목적이다.
Abstract
이 연구는 다수의 참여자가 있는 반복적 조합 경매(ICA)에서 효율성을 높이는 문제를 다룬다. ICA는 경매인이 입찰자의 평가 정보를 제한된 수의 질문을 사용하여 수집하여 효율적인 배분을 목표로 하는 조합 경매의 한 종류이다. 선호 도출은 결과 배분을 세부적으로 조정하면서 입찰자에게 번들에 대한 가치를 점진적으로 묻는 과정이다. 최근 기계 학습(ML)을 ICA에 통합하면 선호 도출이 크게 향상되었다. 이 접근법은 입찰자 수와 같은 ML 모델을 사용하여 입찰자의 평가 함수를 추정한다. 그러나 대부분의 현재 연구는 각 입찰자에 대해 별도의 모델을 훈련하는데, 이는 많은 입찰자와 제한된 질문 수가 있는 경우 비효율적일 수 있다. 이 연구에서는 다중 과제 학습 방법을 도입하여 평가 함수를 더 효율적으로 학습한다. 구체적으로 훈련 중 모델 매개변수를 공유하여 평가 간의 내재적 관계를 파악한다. 스펙트럼 경매 시뮬레이터를 사용하여 방법의 성능을 평가한 결과, 제안 방법이 기존 방법보다 특히 많은 입찰자와 항목이 있지만 질문 수가 제한된 시나리오에서 더 높은 효율성을 달성한다는 것을 보여준다.
Stats
많은 입찰자와 제한된 질문 수가 있는 시나리오에서 제안 방법이 기존 방법보다 더 높은 효율성을 달성한다.