We address the problem of improving bidders' strategies in prior-dependent revenue-maximizing auctions and introduce a simple and generic method to design novel bidding strategies if the seller uses past bids to optimize her mechanism. We propose a simple and agnostic strategy, independent of the distribution of the competition, that is robust to mechanism changes and local (as opposed to global) optimization of e.g. reserve prices by the seller. This strategy guarantees an increase in utility compared to the truthful strategy for any distribution of the competition. In textbook-style examples, for instance with uniform [0,1] value distributions and two bidders, this no-side-information and mechanism-independent strategy yields an enormous 57% increase in buyer utility for lazy second price auctions with monopoly reserves. When the bidder knows the distribution of the highest bid of the competition, we show how to optimize the tradeoff between reducing the reserve price and beating the competition. Our formulation enables to study some important robustness properties of the strategies, showing their impact even when the seller is using a data-driven approach to set the reserve prices. In this sample-size setting, we prove under what conditions, thresholding bidding strategies can still improve the buyer's utility. The gist of our approach is to see optimal auctions in practice as a Stackelberg game where the buyer is the leader, as he is the first one to move (here bid) when the seller is the follower as she has no prior information on the bidder.


翻译:我们提出了一种简单和不可知的战略,它独立于竞争的分配,对机制变化和当地(而不是全球)优化(例如)卖方的储备价格具有很强的作用。这一战略保证与任何竞争分配的真实战略相比,战略的效用增加。在教科书式的例子中,例如统一[01]价值分配和两个投标人,这种不相干和机制独立的战略使买方效用在以垄断储备进行懒惰的第二次价格拍卖方面大增57 % 。当投标人知道竞争最高报价的分配时,我们展示如何在降低储备价格和击败竞争之间实现最佳的权衡。我们的提法使得能够研究战略的某些重要的稳健性特性,表明即使卖方正在使用数据驱动的方法来确定储备价格,它们的影响。在这种抽样规模的设置中,我们证明在什么条件下,买方在以垄断储备为懒惰的第二次价格拍卖中,买主的标定投标战略仍然是改进买方的先行。

0
下载
关闭预览

相关内容

专知会员服务
14+阅读 · 2021年5月21日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月2日
VIP会员
相关资讯
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
相关论文
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月3日
Arxiv
0+阅读 · 2021年11月2日
Top
微信扫码咨询专知VIP会员