A Note on Approximate Revenue Maximization with Two Items
我们考虑的问题,最大限度地提高收入时,销售2个项目,一个买家与已知的估值分布。Hart和Nisan表明,使用最优迈尔森价格分别出售每件物品,至少获得两件物品最优拍卖所得收入的一半。我们表明,如果项目有不同的收入时,单独出售的界限可以收紧。
2017-12-10 cs.GT
Efficient Empirical Revenue Maximization in Single-Parameter Auction Environments
我们提出了一个多项式时间算法,给定样本从未知的估值分布的每个投标人,学习拍卖,大约最大限度地提高拍卖人的收入在各种单参数拍卖环境,包括拟阵环境,位置环境,和公共项目环境。估值分布可以是任意有界分布(特别是,它们可能是不规则的,并且可能对不同的投标人不同),从而解决了以前论文中遗留的问题。该分析使用基本工具,在值空间中整体执行,并简化了对特殊情况下先前已知结果的分析。此外,分析扩展到某些单参数拍卖环境中,精确的收入最大化是已知的是棘手的,如背包环境。
2017-04-09 cs.GT
Revenue Maximization with Imprecise Distribution
我们研究了一个不精确估计的分布的单个买家或几个独立的和同分布的买家的收入最大化问题,这个估计是不是远离真实的分布。我们使用推土机的距离来捕获这两个分布之间的估计误差,即值和概率,给定分位数的值空间中的误差,以及给定值的分位数空间中的误差。我们给出了明确的特征的最佳机制,为单一买家设置。对于多买家的情况下,我们提供了一个算法,找到一个近似最优的机制(FPTAS)之间的家庭第二价格拍卖与固定的储备。
2019-03-03 cs.GT
Envy, Multi Envy, and Revenue Maximization
我们研究的嫉妒自由定价问题所面临的卖方谁希望最大限度地提高收入,通过设置捆绑的项目的价格。如果有一个无限的供应项目和代理商是一心一意的,那么我们发现,找到收入最大化的嫉妒自由分配/定价可以解决在多项式时间减少到一个例子的加权独立集上的一个完美的图形。我们定义一个分配/定价为\textit{multi envy free},如果没有代理人希望将她的分配替换为一些其他代理人的分配的并集,并将她的价格替换为他们的价格之和。我们表明,它是\textit{coNP} -很难决定,如果一个给定的分配/定价是多羡慕自由。我们还表明,收入最大化多羡慕自由分配/定价是\textit{APX}硬。此外,我们给出了高效的算法和硬度结果的各种变体的公路问题。
2009-09-24 cs.GT
Settling the Sample Complexity of Single-parameter Revenue Maximization
本文解决了单参数收入最大化的样本复杂性,显示匹配的上限和下限,一个多对数因子,所有家庭的价值分布,已被认为是在文献中。上界统一在一个新的框架下,该框架建立在Devanur,Huang和Psomas(STOC 2016)的强收入单调性和信息理论论证的基础上。这是从根本上不同于以前的方法,依赖于构建一个$ε$-网络的机构空间,显式或隐式通过统计学习理论,或学习近似准确的版本的虚拟值。据我们所知,这是第一次使用信息理论参数来显示样本复杂度的上限,而不是下限。我们的下界也统一在硬实例的元构造下。
2019-04-10 cs.GT
Revenue Maximization via Hiding Item Attributes
我们研究了概率单项目第二价格拍卖的项目的特点是由一组属性。拍卖人知道所有属性的实际实例化,但他可以选择只向出价人显示这些属性的子集。我们的模型是以下广告拍卖场景的抽象。网站(拍卖商)知道其印象的人口统计信息,并且该信息是根据属性列表(例如,年龄、性别、所在国)。网站可能会向其广告商(投标人)隐藏某些属性,以创建更厚的市场,这可能会导致更高的收入。我们研究如何隐藏属性在一个最佳的方式。我们证明了最优属性隐藏方案的求解是NP-难的。然后,我们推导出一个多项式时间可解的最优收入上界。最后,我们提出了两个基于几何的属性隐藏方案。实验表明,这些方案所取得的收益接近上界。
2013-02-21 cs.GT
On the (in)-approximability of Bayesian Revenue Maximization for a Combinatorial Buyer
我们考虑一个收入最大化的单一卖方与$m$项目出售给一个单一的买家,其价值$v(\cdot)$的项目是从一个已知的分布$D$的支持$k$。Cai等人的一系列工作建立了当$D$支持下的每个$v(\cdot)$是加性或单位需求(或$c$ -需求)时,可以在$\operatorname{poly}(m,k)$时间内找到收入最优拍卖。我们表明,仅仅超出这一点,甚至拟阵为基础的估值(一个适当的子集的总替代),结果在强硬度的近似。具体地说,即使在具有$m$项和$k \leq m$赋值的实例上支持$D$,也不可能实现任何$\varepsilon>0$的$1/m^{1-\varepsilon}$ -近似到(随机化)多时间中基于矩阵的赋值的收入最优机制,除非NP $\subseteq$ RP(注意,$1/k$ -近似是微不足道的)。Cai等人的主要技术贡献是从$\mathcal{V}$类中估值的收入最大化到优化$\mathcal{V}$类中两个值之间的差异的黑盒缩减。我们的主要技术贡献是在另一个方向上的黑箱约简(对于广泛的估值类别),确定它们的约简本质上是紧密的。
2020-07-10 cs.GT
The Simple Economics of Approximately Optimal Auctions
利润通过边际收益最大化而最优化的直觉是微观经济学的指导原则。在具有线性效用和一维偏好的代理人的经典拍卖理论中,Bulow和Roberts(1989)表明,Myerson(1981)的最优拍卖实际上是优化边际收益。特别是迈尔森的虚拟价值,正是一个适当的收入曲线的衍生物。本文研究了多智能体多维非线性偏好环境下的机制设计问题。了解这些环境下的好拍卖被认为是贝叶斯最优机制设计的主要挑战。在这些环境中,最大化边际收益可能不是最优的,有时没有直接的方法来实现边际收益最大化。我们的贡献有三个方面:我们的特点的设置,边际收入最大化是最佳的(通过确定一个重要的条件,我们称之为收入线性),我们给出了简单的程序,实现边际收入最大化的一般,我们表明,边际收入最大化是近似最优的。我们的近似因子在一个量化环境离理想(边际收入最大化是最优的)有多远的术语中平滑地下降。由于边际收益机制是最佳的单维代理,我们的推广立即近似扩展了许多单维代理的结果。贝叶斯算法机制设计中最大的开放问题之一是开发在代理类型空间的大小上不具有蛮力的方法。我们的方法确定了一个子问题,例如,对于具有从产品分布中提取的值的单位需求代理,启用在维度上为多项式的近似机制。
2014-06-05 cs.GT
Online Revenue Maximization for Server Pricing
本文研究单位容量服务器在在线随机环境下的收入最大化问题,提出一种可高效计算、在加性误差内期望最优的确定性标价机制,并证明多项式样本足以学习到接近最优的真实定价策略。
2019-10-01 cs.GT
A Multi-Dimensional Online Contention Resolution Scheme for Revenue Maximization
本文研究多买家多物品顺序定价机制逼近事前最优收入,通过构建新的多维OCRS对最优事前解进行在线舍入,在次可加买家设置下实现了 $O(\log^2 m)$ 因子的买多收入逼近,并证明了对数依赖的必要性。
2024-04-23 cs.GT
Dynamic and Non-Uniform Pricing Strategies for Revenue Maximization
我们考虑在有限供应环境下收益最大化的项目定价问题,其中一个单一的卖方与$n$项目迎合$m$买家与未知的次可加性估值函数谁在一个序列中到达。卖方为每件商品定价。每个买家购买一个子集的尚未售出的项目,最大限度地提高她的效用。我们的目标是设计定价策略,保证预期收入在最大可能的社会福利的一个小因素$α$内-最大可能产生的收入的上限。大多数早期的工作都集中在无限供应设置,其中出售物品给一些买家并不影响他们的可用性,以未来的买家。Balcan et.(EC 2008)研究了有限供应设置,给出了一种随机策略,该策略为所有物品分配单一价格(统一策略),并且从不改变它(静态策略),该策略给出了$2^{O(\sqrt{\log n \log \log n})}$ -近似,并且此外,没有静态统一定价策略可以给出比$2^{Ω(\log^{1/4} n)}$ -近似更好的结果。我们将这个下界改进为$2^{Ω(sqrt{\log n})}$。我们考虑动态统一策略,它可以在每个买家到达时改变价格,但所有未售出商品的价格在任何时候都是相同的,以及静态非统一策略,它可以为不同的商品分配不同的价格,但在初始设置后永远不会改变。我们设计这样的定价策略,给出一个多对数近似最大收益。因此,在有限的供应设置,我们的研究结果突出了动态和非统一定价与静态统一定价的权力之间的强有力的分离。据我们所知,这是第一个非平凡的分析动态和非…
2009-05-19 cs.GT
Quasi-Proportional Mechanisms: Prior-free Revenue Maximization
受互联网广告拍卖应用程序的启发,我们研究了通过拍卖分配一个单一的项目时,投标人把非常不同的项目价值的问题。我们制定了优先级自由拍卖的问题,并专注于设计一个简单的机制,总是分配的项目。我们设计了更好的分配方法,而不是像以前的文献那样设计复杂的定价方法。特别是,我们提出了准比例分配方法,其中一个项目被分配给投标人的概率取决于(准比例)的出价。我们证明了相应的游戏都支付和赢家支付准比例机制承认纯纳什均衡,这个均衡是唯一的。我们还给出了在多项式时间内计算该均衡的算法。此外,我们表明,拍卖人的收入是有希望的高相比,最终,即,任何投标人的最高价值,并显示边界上的收入均衡分析,以及使用实验的具体准比例函数。这是第一个已知的收益分析这些自然机制(包括比例机制的特殊情况下,这是常见的网络资源分配问题)。
2009-09-29 cs.GT
Signaling Schemes for Revenue Maximization
信号传递是经济环境中信息不对称研究的重要课题。特别是,在拍卖环境中出卖人所能获得的信息的透明度是一个令人十分感兴趣的问题。我们介绍了研究信号时进行第二次价格拍卖的概率好,其实际的实例是已知的拍卖师,但不是投标人。这个框架可以用来模拟展示广告中的展示销售。我们研究的问题计算的信号方案,最大限度地提高拍卖商的收入在贝叶斯设置。虽然一般情况下被证明是计算困难的,几种情况下的利益是多项式可解的。此外,我们建立了一个严格的约束所需的最小数量的信号,以实现一个最佳的信令方案,并表明,至少有一半的最大社会福利可以保存在这样的计划。
2012-04-25 cs.GT
Are Two (Samples) Really Better Than One? On the Non-Asymptotic Performance of Empirical Revenue Maximization
近年来,在经济学和计算机科学的交界处,关于“从样本中进行机制设计”的文献蓬勃发展,它在经典的计算机科学最坏情况分析方法(对应于“无样本”)和经典的经济学平均情况分析方法(在概念上对应于样本数量趋于无穷大)之间架起了一座桥梁。尽管如此,到目前为止研究的两个方向是两个极端的,几乎完全相反的方向:渐近结果的样本数量增长大,只有一个单一的样本是可用的。在本文中,我们采取的第一步,了解这两种方法之间的中间地带:一个固定数量的样本大于一个。在不同的背景下,我们会问这个方向上最基本的问题是什么:“两个样本真的比一个样本好吗?".我们提出了一些令人惊讶的负面结果,并补充他们与我们的主要结果:表明,在最坏的情况下,在所有的规则分布,预期收入保证的经验收入最大化算法给出两个样本是大于该算法给出一个样本。该证明在技术上具有挑战性,并提供了第一个结果,表明使用两个样本构建的某些确定性机制可以保证超过一半的最优收益。
2018-07-02 cs.GT
Revenue Maximization in Service Systems with Heterogeneous Customers
在本文中,我们考虑收入最大化问题的两个服务器系统中存在的异构客户。我们假设,客户不同的单位延迟的成本,这是建模为一个连续的随机变量的分布$F.$。我们还假设,每个服务器收费的入场价格,每个客户决定加入其队列。我们首先考虑两个服务器都属于一个运营商的垄断问题。客户的异质性使得问题的分析变得困难。困难在于无法将均衡队列到达率描述为入场价格的函数。我们提供了一个等价的制定与队列到达率作为优化变量简化分析的收入率最大化的垄断。然后,我们考虑双头垄断问题,每个服务器与其他服务器竞争,以最大限度地提高其收益率。对于双头垄断问题,研究的目的是得到满足纳什均衡条件的入场价格集合。虽然这个问题通常很难分析,但我们考虑两个服务器相同的特殊情况。对于这样的双寡头垄断系统,我们得到了准入价格对称纳什均衡存在的必要条件。分布$F$的知识表征的异质性的客户是必要的,以解决垄断和双头垄断问题。然而,对于大多数实际情况,系统运营商可能不知道$F$的函数形式,并且在这种情况下,不能确定收入最大化价格。在论文的最后一部分,我们提供了一个简单的方法来估计分布$F$适当地改变入场价格。我们用一些数值例子来说明该方法。
2016-05-23 cs.GT
On Revenue Maximization with Sharp Multi-Unit Demands
我们考虑由一组不可分割的物品组成的市场,以及具有{ \em sharp}多单位需求的买家。这意味着每个买家$i$都想要特定数量的$d_i$物品;尺寸小于$d_i$的捆绑没有价值,而尺寸大于$d_i$的捆绑价值不超过最有价值的$d_i$物品(估值是相加的)。我们考虑的目标是制定价格和分配,以最大限度地提高做市商的总收入。多单位需求下的定价问题具有单位需求模型所不具备的一些性质,是算法定价中的一个重要问题。我们考虑的问题计算收入最大化的解决方案的两个解决方案的概念:竞争均衡和无嫉妒定价。对于无限制的估值,这些问题是NP完全的,我们专注于一个现实的特殊情况下,“相关值”,每个买家$i$有一个估价$v_i\qual_j$项目$j$,其中$v_i$和$\qual_j$是积极的数量与买家$i$和项目$j$分别。我们提出了一个多项式时间算法来解决收入最大化的竞争均衡问题。对于无嫉妒定价,如果每个购买者的需求是有界的常数,一个收入最大化的解决方案,可以有效地找到一般的需求情况下,被证明是NP-难的。
2014-12-30 cs.GT
Approximate Revenue Maximization in Interdependent Value Settings
我们研究收入最大化的设置中,代理人的价值是相互依存的:每个代理人收到一个信号从相关的分布和代理人的价值是所有的信号的函数。我们引入了一个变种的广义VCG拍卖保留价和随机入场,并表明,这种拍卖给出了一个常数近似的最优预期收益拟阵环境。我们的结果不需要对信号分布作任何假设,但是,它们要求价值函数满足标准的单交叉性质和凹型条件。
2014-08-19 cs.DS cs.GT
Revenue Maximization for Selling Multiple Correlated Items
研究了具有可加性估价函数的$n$产品销售问题。我们认为项目的估值是相关的,即,买家对物品的期望不是独立得出的。理想情况下,目标是设计一种使收入最大化的机制。然而,已经表明,收益最优机制可能非常复杂,因此不适用于现实世界的拍卖。因此,我们的重点是设计一个简单的机制,实现恒定的最佳收入的一部分。Babaioff等人提出了一种简单的机制,该机制可以在具有单个添加剂购买者的独立设置中实现恒定的最佳收入比例。然而,他们留下了以下问题作为一个开放的问题:“是否有一个简单的,近似最优的机制,为单一的添加剂买方的价值为$n$项目是从一个共同的基础价值分布抽样?Babaioff等人的研究表明,在独立的环境中,通过单独出售或作为一个整体出售这些物品,可以实现最佳收入的恒定近似因子。我们显示了一个类似的结果,相关设置时,买方的资格是从一个共同的基础价值分布。值得一提的是,核心分解引理,这主要是证明的机制的效率的心脏不适用于相关设置。因此,我们提出了一个修改后的版本,这是适用于相关的设置,以及这个引理。虽然我们应用这种技术来证明所提出的机制可以在非常弱的相关性中保证恒定的最佳收入比例,但这种方法本身不能直接显示该机制在更强相关性中的效率。
2015-07-22 cs.GT
The Sample Complexity of Revenue Maximization
在收益最大化拍卖的设计和分析中,拍卖绩效通常是根据输入的先验分布来衡量的。这种分布最明显的来源是过去的数据。我们的目标是了解有多少数据是必要的,足以保证接近最佳的预期收入。我们的基本模型是一个单一的项目拍卖,其中投标人的估价是独立的未知和不同的分布。卖家可以“免费”获得这些发行版中的$m$样本,并选择在新样本上进行拍卖。作为投标人数量k和eps > 0的函数,m需要多大才能达到最优收益的(1 - eps)近似值?我们证明,在标准的尾部条件下的基本分布,m = poly(k,1/eps)样本是必要的和充分的。我们的下限站在相反,许多最近的结果简单和事先独立的拍卖,从根本上涉及投标人的竞争,不相同的分布,和一个非常接近(但仍然是常数)的最佳收益近似之间的相互作用。它有效地表明,只有通过详细了解投标人的估值分布,才能实现足够好的最佳收益常数近似值。我们的上限是建设性的,特别适用于一个变种的经验迈尔森拍卖,自然拍卖,运行的收入最大化拍卖的经验分布的样本。我们的样本复杂度下限取决于一组允许的分布,为了捕捉这一点,我们引入了α-强正则分布,它插在正则(α = 0)和MHR(α = 1)分布的研究类之间。我们给出的证据表明,这一定义是独立的利益。
2015-11-26 cs.GT
Revenue Maximization with an Uncertainty-Averse Buyer
大多数机制设计的工作都假设买方是风险中性的;有些人认为风险厌恶是由于货币的非线性效用而产生的。然而,行为研究已经确定,真正的代理人表现出的风险态度,不能捕捉到任何预期的效用模型。本文在期望效用理论基础上,对购买者行为模型下的收益最优机制进行了研究。我们采用了一个模型,从前景理论产生的解释这些差异,并纳入代理人下加权不确定的结果。在我们的模型中,一个事件发生的概率为$x < 1$,它对智能体的价值严格小于$x$乘以事件确定发生时的价值。与风险中性设置相反,最佳机制可能是随机的,并且似乎很难找到,即使对于单个买家和单个待售物品也是如此。然而,我们给出了一个表征的最佳机制,使积极的近似结果。特别是,我们表明,在一个合理的有界风险厌恶假设,公布的定价获得一个常数近似。值得注意的是,这一结果是“风险稳健”的,因为它不依赖于买方的风险态度的细节。最后,我们研究了一个动态的设置中,买方是不确定的,他的未来价值。相反,积极的结果为风险中性的买家,我们表明,买家的风险厌恶可能会阻止卖方从近似的最优收益在风险稳健的方式。
2018-03-12 cs.GT
An Efficient $\varepsilon$-BIC to BIC Transformation and Its Application to Black-Box Reduction in Revenue Maximization
我们考虑从多维收益最大化到虚拟福利最大化的黑箱约简。Cai等人给出了一个多项式时间近似保持约简,然而,由他们的约简产生的机制仅近似与贝叶斯激励相容($\varepsilon$ -BIC)。我们提供了两个新的多项式时间转换,转换任何$\varepsilon$ -BIC机制,一个确切的BIC机制,只有一个微不足道的收入损失。我们的第一个转换适用于任何机制设计设置与向下封闭的结果空间,只需要样本访问代理的类型分布。我们的第二个转换适用于完全一般的结果空间,消除了向下封闭的假设,但需要完全访问代理的类型分布。这两种转换都只需要对原始$\varepsilon$ -BIC机制进行查询访问。其他$\varepsilon$ -BIC到BIC的收入转换存在于文献中,但在我们考虑的两种设置下都需要指数时间来运行。作为我们变换的应用,我们改进了Cai等人的约化,得到了一个精确的BIC机制。
2020-11-05 cs.DS cs.GT
Reducing Revenue to Welfare Maximization: Approximation Algorithms and other Generalizations
最近在[http://arxiv.org/abs/1207.5518]中表明,在具有任意(可能是组合的)可行性约束和具有任意(可能是组合的)需求约束的独立可加投标人的所有多维贝叶斯拍卖问题中,收入优化可以在计算上有效地简化为福利优化。这种减少提供了一个多时间的解决方案,以最佳的机制设计的问题,在所有的拍卖设置福利优化可以有效地解决,但它是脆弱的近似,不能提供解决方案的福利最大化只能是可追踪的近似设置。在本文中,我们扩展的减少,以适应近似算法,提供一个近似保持减少(真实的)收入最大化(不一定是真实的)福利最大化。通过我们的减少输出的机制选择分配通过黑盒调用福利近似随机选择的输入,从而也推广了我们以前的结构结果最优多维机制近似最优机制。与[http://arxiv.org/abs/1207.5518]不同,我们的结果是通过在{ \em非凸区域}上使用椭球算法和其他优化技术获得的。
2013-05-17 cs.DS cs.GT
Paid Prioritization with Content Competition
我们研究了在内容提供方(CP)竞争的市场中允许付费优先安排的影响。我们考虑竞争的CP谁支付优先级费用的垄断ISP,以抵消ISP的成本投资于基础设施,以支持快速通道。与先前的工作不同,我们提出的用户内容消费模型考虑了多重购买(即,用户同时预订多于一个CP)。这个模型允许我们考虑每个CP收到的“注意力”,从而在付费优先级如何影响订阅收入和广告收入之间进行对比。我们发现,存在激励ISP建立额外的快速通道,由CP补贴足够高的收入(无论是订阅费或广告)。我们表明,非优先级的内容提供方不需要失去用户,但可能会失去收入的广告,由于减少用户的关注。我们进一步表明,用户将消费更广泛的内容在一个优先的制度,他们可以获得更高的福利,提供非优先的流量不节流。我们讨论了这些发现的一些政策和实际意义,并进行了数值验证。
2020-07-29 cs.CY cs.GT cs.NI
Approximate Revenue Maximization with Multiple Items
最大限度地提高收入,从销售一个以上的好(或项目),以一个单一的买家是一个众所周知的困难的问题,形成鲜明对比的情况下,一个好的。对于两种商品,我们表明,简单的“一维”机制,如单独出售的商品,_保证_至少73%的最优收入时,两种商品的估值是独立的,同分布的,至少$50\%$时,他们是独立的。对于$k>2$独立商品的情况下,我们表明,分别出售它们保证至少$c/\log^2 k$部分的最优收入,并为独立和相同分布的商品,我们表明,作为一个捆绑销售保证至少$c/\log k$部分的最优收入。额外的结果比较的收入从两个简单的机制,分别出售的货物和捆绑,确定捆绑是最佳的情况下,并扩展到多个买家的分析。
2017-12-25 cs.GT econ.TH
Adaptive Two-Sided Assortment Optimization: Revenue Maximization
Cornell University(康奈尔大学)
研究基于选择的匹配平台上的自适应双边品类优化收入最大化问题,提出多项式时间近似算法,利用线性规划松弛和相关间隙论证在一般及结构化设置下实现常数因子近似保证。
2026-09-25 cs.GT math.OC
Online Revenue Maximization with Unknown Concave Utilities
我们研究了一个在线收入最大化问题,消费者从一些未知的分销商到达i.i.d,并从卖家购买一捆产品。经典的方法一般假设消费者效用函数的完整知识,而最近的工作一直致力于未知的线性效用函数。本文研究了消费者分布和效用均为凹的未知消费者分布和效用的在线标价模型。因此,要问的两个问题是:i)卖方的在线最大化问题何时是凹的,以及ii)如何找到非线性效用的最优定价策略。我们回答第一个问题,通过对效用施加三阶平滑条件。第二个问题是解决了两个算法,我们证明表现出次线性遗憾的$O(T^{\frac{2}{3}} (\log T)^{\frac{1}{3}})$和$O(T^{\frac{1}{2}} (\log T)^{\frac{1}{2}})$分别。
2022-10-01 cs.GT math.OC
Dynamic Pricing for Revenue Maximization in Mobile Social Data Market with Network Effects
移动数据需求在无线社交网络中急剧增加,并且因此迫切需要用于社交使能服务的有效定价方案。虽然静态定价在实际的数据市场中占主导地位,但价格直观上应该动态变化以产生更大的收入。关键问题是如何设计最优的动态定价方案,使预期的长期收入最大化。本文研究了垄断移动网络运营商在社会数据市场中的序贯动态定价策略。在市场上,运营商,即,卖方单独地向每个移动用户提供,即,买方,一定的价格在多个时间段内动态和重复。该方案利用了移动用户行为中的网络效应,促进了社交数据需求。此外,由于有限的无线电资源,无线网络拥塞的影响被考虑在定价方案。此后,我们提出了一个修改后的顺序定价政策,以确保社会公平的移动用户在他们的个人效用。我们分析表明,建议的顺序动态定价方案可以帮助运营商获得更大的收入和移动用户实现更高的总效用比基线静态定价方案。为了获得更多的见解,我们进一步研究了一个同时动态定价方案,其中运营商确定在每个时间段开始时的定价策略。移动用户在每个时间段内同时决定自己的数据需求,同时考虑社会域的网络效应和网络域的拥塞效应。我们使用Erdens-Rényi(ER)模型和基于真实数据集的社交网络构建社交图,用于性能评估。
2018-08-13 cs.GT
Robust Revenue Maximization Under Minimal Statistical Information
我们研究的问题时,多维度的收入最大化销售$m$项目的买家,他们有添加剂的估值,从一个(可能相关的)先验分布。与传统的贝叶斯拍卖设计,我们假设卖方有一个非常有限的知识,这之前:他们只知道平均值$μ_j$和上限$σ_j$的标准偏差,每个项目的边际分布。我们的目标是设计机制,实现良好的收入对一个理想的最优拍卖,有充分的知识,提前分布。非正式地说,我们的主要贡献是严格量化的分散性的先验和上述强大的近似比之间的相互作用。此外,这可以通过非常简单的销售机制来实现。更准确地说,我们表明,通过单独的价格彩票销售的项目实现了$O(\log r)$近似比,其中$r=\max_j(σ_j/μ_j)$是最大的变异系数的项目。为了证明这一结果,我们对单一商品的情况进行了价格抽奖。如果被迫将我们自己限制在确定性机制中,这种保证就会退化为$O(r^2)$。假设独立的项目估值,这些比率可以进一步提高定价的整个捆绑。对于相同的手段和方差的情况下,特别是,我们得到的$O(\log(r/m))$的保证,收敛到最优的项目的数量越来越大。我们证明了上述机制的最优性,通过提供匹配的下限。我们对单项确定性情况的严密分析解决了Azar和Micali [ITCS'13]工作中的一个空白。作为副产品,我们还展示了如何直接使用我们的上界来改进和扩展Azar等人[SODA'13]的参数拍卖相关的先前结果。
2022-04-28 cs.GT
Pricing Query Complexity of Revenue Maximization
优化拍卖和定价系统的常见方法是留出一小部分流量来运行实验。这就引出了一个问题:我们如何用最少的数据学习最多的东西?对于真实拍卖,这就是\emph{sample complexity}问题。对于标价拍卖,我们不再可以访问样品。相反,允许算法选择价格$p_t$ ;然后对于新鲜样本$v_t \sim \mathcal{D}$,我们学习符号$s_t = sign(p_t - v_t) \in \{-1,+1\}$。估计基础分布的给定参数需要多少个定价查询?我们给出了严格的上限和下限的价格查询所需的数量找到一个近似最优的底价一般,定期和MHR分布。有趣的是,对于规则分布,定价查询和样本复杂性匹配。但是对于一般分布和MHR分布,我们证明了它们之间的严格分离。所有已知的收入优化的样本复杂性的结果遵循使用经验分布的最优保留价的变体。在定价查询的复杂性设置中,我们表明,学习整个分布内的误差$ε$在利维距离需要严格更多的定价查询比估计储备。相反,我们的算法使用一个新的属性,我们确定称为\emph{relative flatness},以快速放大到正确的区域的分布,以获得最佳的定价查询复杂性。
2021-11-08 cs.GT
Selling Multiple Correlated Goods: Revenue Maximization and Menu-Size Complexity (old title: "The Menu-Size Complexity of Auctions")
我们考虑一个众所周知的,也是众所周知的困难的问题,一个单一的收入最大化的卖方出售两个或两个以上的异质货物给一个单一的买方,其私人价值的货物是从一个(可能相关的)已知的分布,其估值是添加剂的货物。我们表明,当有两个(或更多)的商品,_简单的机制_ --如单独出售的商品或作为一个捆绑-可能产生的最优收入的一个微不足道的小部分_。这解决了Briest,Chawla,Kleinberg和Weinberg(JET 2015)的公开问题,他们证明了在单位需求买方的相关设置中至少三种商品的结果。我们还介绍了菜单的大小作为一个简单的措施的复杂性机制,并表明,收入可能会增加多项式与_菜单大小_和没有限制的菜单大小可以确保任何积极的分数的最佳收入。菜单的大小也被证明是“牵制”确定性机制的收入属性。
2018-11-01 cs.GT econ.TH
Revenue Maximization and Ex-Post Budget Constraints
我们考虑的问题,收入最大化的卖方m个项目出售给n个添加剂投标人与硬预算约束,假设卖方有一些先验分布的投标人的价值和预算。先验可以跨同一投标人的项目和预算相关,但假设跨投标人独立。我们的目标机制是贝叶斯激励兼容,但事后个人理性和事后预算尊重。事实上,目前还没有一种机制能够满足所有这些条件,并保证任何收入近似值,即使只有一个项目。我们提供了一个计算效率高的机制,这是一个$3$-近似所有BIC,事后IR,和事后预算尊重机制。请注意,该问题是NP难的,即使在先验是点质量\cite{ChakrabartyGoel}的情况下,也要比16/15的因子更好地近似。我们进一步描述了在这种情况下的最优机制,表明它可以被解释为虚拟福利最大化的分布。我们证明了我们的结果,利用黑箱减少机制的算法设计由\cite{CaiDW13b}。我们的主要技术贡献是一个计算效率高的$3$-近似算法的算法问题,结果由他们的框架应用到这个问题。算法问题具有混合符号目标,并且是NP-难精确优化的,因此令人惊讶的是,计算效率的近似是可能的。在一个单一的项目($m=1$)的情况下,算法问题可以通过穷举搜索精确地解决,导致计算效率高的精确算法和更强的特性的最佳机制作为分布在虚拟值最大化。
2016-05-06 cs.GT
Revenue Maximization Mechanisms for an Uninformed Mediator with Communication Abilities
本文研究可信中介通过多轮私密沟通影响买卖双方交易时的收入最大化机制设计,给出激励相容归约、闭式阈值最优解及熨平扩展。
2024-10-28 cs.GT
The Sample Complexity of Up-to-$\varepsilon$ Multi-Dimensional Revenue Maximization
Microsoft Research(微软研究院);Hebrew University of Jerusalem(耶路撒冷希伯来大学);Princeton University(普林斯顿大学)
我们认为,在无限制的多维设置多个投标人的收入最大化的样本复杂性。具体来说,我们研究了$n$添加剂投标人的$m$异质项目的价值独立绘制的标准模型。对于任何这样的实例和任何$\varepsilon>0$,我们表明,它是可以学习的$\varepsilon$贝叶斯激励兼容拍卖的预期收入是在$\varepsilon$的最佳$\varepsilon$ -BIC拍卖只有多项式多个样本。我们的完全非参数的方法是基于相当普遍的想法,并完全回避了困难的特点,这些设置的最佳(或接近最佳)拍卖。因此,我们的结果很容易扩展到一般的多维设置,包括估值,甚至不一定是次加性,和任意的分配约束。对于单个投标人和许多商品,或单个参数(好)和许多投标人的情况下,我们的分析产生确切的激励相容性(和后者也计算效率)。虽然单参数的情况已经很好地理解,我们的推论这种情况下稍微扩展了国家的最先进的。
2021-04-09 cs.GT cs.LG
A Game-theoretic Machine Learning Approach for Revenue Maximization in Sponsored Search
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
赞助搜索是搜索引擎的一个重要的盈利渠道,其中使用拍卖机制来选择显示给用户的广告并确定向广告商收取的价格。在文献中已经有几篇研究如何设计拍卖机制以优化搜索引擎的收益的工作。但由于使用了一些不切实际的假设,这些研究的实际价值并不十分明确。在本文中,我们提出了一种新的\emph{game-theoretic machine learning}方法,自然地结合了机器学习和博弈论,并学习拍卖机制使用一个双层优化框架。特别是,我们首先从历史数据中学习马尔可夫模型来描述广告客户如何改变他们的出价,以响应拍卖机制,然后对于任何给定的拍卖机制,我们使用学习的模型来预测其相应的未来出价序列。接下来,我们学习的拍卖机制,通过经验收益最大化的预测出价序列。我们证明了当预测周期趋于无穷大时,经验收益将收敛,并且遗传编程算法可以有效地优化经验收益。我们的实验表明,所提出的方法是能够产生一个更有效的拍卖机制比几个基线。
2014-06-04 cs.GT cs.LG
Revenue Maximization for Buyers with Costly Participation
针对买家参与有私人成本导致的非凸单商品售卖收益最大化问题,提出多买家转单买家归约的多项式时间(2+ε)近似机制,单买家下可达FPTAS,还推导了菜单规模与样本复杂度界,证明特定条件下单一定价及多买家序贯定价的近似最优性。
2023-11-05 cs.GT econ.TH
Disrupting Bipartite Trading Networks: Matching for Revenue Maximization
本文研究在线平台在二分交易网络中的收入最大化匹配问题,证明一般情形计算难解,并给出特殊情形的高效算法及收入与福利的对数近似保证。
2024-06-11 cs.CC cs.GT
An Adaptive Online Ad Auction Scoring Algorithm for Revenue Maximization
赞助搜索成为一个简单的平台,以匹配潜在消费者的意图与商家的广告。广告客户表示愿意支付的出价方面的每一个关键字的搜索引擎。当用户的查询与关键字匹配时,搜索引擎评估出价并向广告商分配与未付费算法搜索结果一起显示的位置。广告商只在用户点击其广告时向搜索引擎付费,每次点击的价格由其他竞争广告商的出价决定。
2012-07-19 cs.GT cs.IT math.IT
A Game-Theoretic Analysis of the Empirical Revenue Maximization Algorithm with Endogenous Sampling
Peking University(北京大学);Technion - Israel Institute of Technology(以色列理工学院);Hong Kong University of Science and Technology(香港科技大学);Alibaba Group(阿里巴巴集团);Shanghai Jiao Tong University(上海交通大学)
经验收益最大化(ERM)是拍卖设计中最重要的价格学习算法之一:文献表明,它可以在重复拍卖和统一价格拍卖中学习到收益最大化拍卖者的近似最优保留价。然而,在这些应用程序中,提供输入的机构有动机操纵输入,以降低输出的价格。我们概括了Lavi et al(2019)提出的激励意识度量的定义,以量化由于$N$输入样本中的$m\ge 1$的变化而导致的ERM输出价格的降低,并提供了该度量到零的特定收敛率,因为对于不同类型的输入分布,$N$趋于无穷大。通过采用这一措施,我们构建了一个有效的,近似激励兼容的,和收入最优的学习算法使用ERM在重复拍卖对非近视投标人,并显示近似组激励兼容统一价格拍卖。
2020-10-12 cs.GT cs.LG econ.TH
Revenue maximization with access and information pricing schemes in a partially-observable queueing game
今天的排队网络系统比几年前的系统发展得更快,也更复杂。研究了一类不可观测马尔可夫M/M/1排队系统中的顾客行为,在此系统中,顾客在加入或不加入队列之前必须在两个关于信息获取的策略决策中做出选择.根据他们的决定,客户决定放弃服务(阻止系统)或加入队列。我们研究了纳什均衡策略:我们计算均衡,我们证明了它的存在性和唯一性。基于这一结果,我们考虑的问题,收入最大化的供应商必须选择两种收费机制:收取系统的访问或收取队列长度的信息,以新的传入客户。我们提出了一个启发式算法来解决所考虑的问题,并进行了数值实验,以说明结果。我们表明,根据客户的敏感性,他们的等待时间,供应商将改变使用的定价政策。特别是,当客户更敏感时,提供商将收取信息而不是访问费用。
2019-01-10 cs.GT math.OC
Bundling in Oligopoly: Revenue Maximization with Single-Item Competitors
该研究针对寡头垄断中主卖方面临单品卖方竞争的场景,分析捆绑销售的收益潜力,给出最优收益上界,证明满足估值分布条件时全捆绑定价可实现常数近似,反之则无法实现。
2024-06-19 cs.GT econ.TH
Optimal Multi-Dimensional Mechanism Design: Reducing Revenue to Welfare Maximization
我们提供了一个减少从收入最大化福利最大化的多维贝叶斯拍卖任意(可能组合)的可行性约束和独立投标人与任意(可能组合)的需求约束,适当地扩展迈尔森的结果,这种设置。我们还表明,每个可行的贝叶斯拍卖可以实现为虚拟VCG分配规则的分布。虚拟VCG分配规则具有以下简单形式:每个投标人的类型t_i通过投标人特定函数转换为虚拟类型f_i(t_i)。然后,选择虚拟福利最大化的分配。使用这个特性,我们展示了如何找到和运行的收入最优拍卖只黑盒访问的VCG分配规则的实现。我们将这一结果推广到任意相关的投标人,引入二阶VCG分配规则的概念。我们得到我们的减少收入福利优化通过两个算法的结果,减少形式的设置与任意的可行性和需求约束。首先,我们提供了一个分离预言机,用于确定一个简化形式的可行性。其次,我们提供了一个几何算法来分解任何可行的减少形式到虚拟VCG分配规则的分布。此外,我们将展示如何执行这两个算法只给予黑盒访问的实现的VCG分配规则。我们的结果是计算效率的所有多维设置的投标人是添加剂。在这种情况下,我们的机制在投标人类型总数的时间多项式中运行,但不是类型配置文件。对于一般相关分布,这是问题的自然描述复杂性。通过使用最新的技术,运行时可以进一步改进为项目对称设置中的poly(#items,#biders)。
2012-07-23 cs.DS cs.GT
Auction Design with ROI-Constrained Bidders: Truthfulness and Revenue Maximization
Qiannan Normal University for Nationalities(黔南民族师范学院);Guizhou University(贵州大学);Griffith University(格里菲斯大学)
针对ROI约束投标者,刻画真实拍卖特征,提出σ-增量机制渐近最优并保证收益比例,单投标者情形下以凸定价函数实现最优。
2026-10-08 cs.GT econ.TH
Prior-free Auctions for Budgeted Agents
我们认为优先级自由拍卖收入和福利最大化时,代理人有一个共同的预算。我们考虑的抽象环境是有一个向下封闭的和对称的可行性约束的代理服务的概率。这些环境包括位置拍卖,其中具有降低的点击率的位置被拍卖给广告商。我们将Hartline和Yan(2011)的无嫉妒基准推广和表征到有预算的环境中,并表征福利和收入的最佳无嫉妒结果。我们给出了近似这些基准的无先验机制。在我们的机制的一个组成部分是一个成交拍卖的位置拍卖环境。该拍卖是Dobzinski et al.(2008)的多单位成交拍卖的推广,也是Goel et al.(2012)的多面体成交拍卖的特例。对于福利最大化,我们表明,这种成交拍卖是一个很好的近似的嫉妒无最优福利的位置拍卖环境。对于利润最大化,我们推广了Fiat等人(2002)的随机抽样利润提取拍卖,用于数字商品,以给出对称下闭环境中无嫉妒最优收入的10.0近似值。即使没有预算,利润最大化问题也很有趣,我们的机制是一个7.5近似,改进了Ha和Hartline(2012)的30.4界限。
2012-12-23 cs.GT
Show Me the Money: Dynamic Recommendations for Revenue Maximization
推荐系统(RS)在电子商务和点播内容流等应用中发挥着至关重要的作用。对RS的研究主要集中在客户的角度,即,用户偏好的准确预测和用户效用的最大化。因此,大多数现有的技术都没有明确地为收入最大化而构建,而收入最大化是企业的主要业务目标。在这项工作中,我们探索和利用RS和企业盈利能力之间的新联系。由于建议可以被视为企业与其客户之间的信息渠道,因此研究如何制定战略动态建议以实现最大可能的收入是非常有趣和重要的。为此,我们提出了一种新的\model,考虑到各种因素,包括价格,估值,饱和效应,产品之间的竞争。在这个模型下,我们研究了在有限的时间范围内找到收入最大化的推荐策略的问题。我们表明,这个问题是NP-困难的,但近似保证可以得到一个稍微放松的版本,通过建立一个优雅的连接到拟阵理论。由于近似算法的复杂性高得令人望而却步,我们还为原问题设计了智能算法。最后,我们在两个真实和合成数据集上进行了广泛的实验,并证明了我们的算法的效率,可扩展性和有效性,并且它们显着优于几个直观的基线。
2015-08-25 cs.DB cs.GT cs.IR
Learning Revenue Maximization using Posted Prices for Stochastic Strategic Patient Buyers
Tel Aviv University(特拉维夫大学);Ben-Gurion University(本-古里安大学);Google Research(谷歌研究院)
我们认为卖方面对买方有能力推迟他们的决定,我们称之为耐心。每个买家的类型是由价值和耐心,它是i.i.d.抽样。从分布。卖家希望使用公布的价格,最大限度地提高向买家销售的收入。在本文中,我们形式化的设置和特征所产生的Stackelberg均衡,卖方首先承诺她的策略,然后买家最好的反应。接下来,我们将展示如何计算最优纯策略和混合策略。然后,我们考虑一个学习设置,卖方不能访问买方类型的分布。我们的主要结果如下。我们得出一个样本的复杂性界的学习近似最优的纯策略,通过计算脂肪粉碎尺寸这个设置。此外,我们还给出了近似最优混合策略的一般样本复杂度界。我们还考虑了一个在线设置,并得出一个消失的遗憾界方面的最佳纯策略和最佳混合策略。
2022-06-26 cs.GT cs.LG
Fast Revenue Maximization
Columbia University(哥伦比亚大学);Columbia University, Graduate School of Business(哥伦比亚大学商学院);NYU Stern School of Business(纽约大学斯特恩商学院)
本文研究了基于数据的定价问题,通过有限历史价格数据确定单个物品的价格,量化信息价值并指导高效定价实验。核心方法是将无限维问题转化为一维优化问题,提供有保证的定价策略,并展示在动态定价中如何减少实验次数。
2026-05-15 cs.GT math.OC stat.AP
Revenue-Optimal Pricing for Budget-Constrained Buyers in Data Markets
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
研究数据市场中预算受限买家的收益最优定价问题,提出在线和离线场景下的近似算法以解决收益最大化难题。
2026-04-25 cs.GT
Objective Variables for Probabilistic Revenue Maximization in Second-Price Auctions with Reserve
Columbia University(哥伦比亚大学)
许多在线公司在第二价格拍卖中出售广告空间。在本文中,我们开发了一种概率方法来学习一个有利可图的策略,以设置保留价。我们使用历史拍卖数据与功能,以适应最佳保留价的预测。这个问题是微妙的-拍卖的结构是这样的,保留价定得太高比保留价定得太低更糟糕。为了解决这个问题,我们开发了目标变量,一个新的框架相结合的概率建模与最优决策。客观变量是“幻觉观测”,它将收入最大化任务转化为正则化的极大似然估计问题,我们用期望最大化算法解决这个问题。该框架允许各种预测机制来设定保留价。作为例子,我们研究了目标变量方法与回归,核化回归,和神经网络的模拟和真实数据。我们的方法在可扩展性和利润方面都优于以前的方法。
2015-06-24 cs.AI cs.GT cs.LG
Approximating the Revenue Maximization Problem with Sharp Demands
我们考虑的收入最大化问题与尖锐的多需求,其中$m$不可分割的项目必须出售给$n$潜在的买家。每个购买者$i$都对获得$d_i$物品感兴趣,并且每个物品$j$都为购买者$i$提供一个好处$v_{ij}$。我们区分不相关和相关估值。在前一种情况下,利益$v_{ij}$是完全任意的,而在后一种情况下,每个物品$j$具有质量$q_j$,每个购买者$i$具有值$v_i$,并且利益$v_{ij}$被定义为产品$v_i q_j$。该问题要求确定每件商品的价格,并将一捆商品分配给买家,目的是最大化总收入,即所有出售商品的价格之和。分配必须是无嫉妒的,也就是说,每个购买者必须对她分配的捆绑感到满意,并且不能提高她的效用。我们首先证明,对于相关的估值,问题不能近似为一个因素$O(m^{1-ε})$,任何$ε>0$,除非{ \sf P} = { \sf NP},这样的结果是渐近紧的。事实上,我们提供了一个简单的$m$近似算法,即使是不相关的估值。然后,我们专注于一个有趣的子类的“适当”的情况下,不包含买家先验已知不能接收任何项目。对于这种情况下,我们设计了一个有趣的$2$ -近似算法,并表明,没有$(2-ε)$ -近似是可能的任何$0<ε\leq 1$,除非{ \sf P} $=$ { \sf NP}。我们观察到,可以有效地检查实例是否正确,如果允许丢弃无用的买家,则可以在多项式时间内使实例正确,而不会…
2013-12-13 cs.CC cs.GT
Revenue Maximization in Choice-Based Matching Markets
Tel Aviv University(特拉维夫大学);University of Southern California(南加州大学)
本文首次在一般成对奖励下为双边匹配市场的收益最大化提出常数因子近似算法,通过线性松弛、凸随机序和近似动态规划克服了子模性与次可加性缺失的难题。
2026-10-14 cs.DS cs.GT math.OC
On Nash Dynamics of Matching Market Equilibria
在本文中,我们研究了在一个由卖方(做市商)建立的匹配市场中,n个买方的策略相互作用的纳什动态。采用标准的市场均衡方法,在从买方接收到提交的出价向量时,做市商将决定价格向量以清除市场,使得每个买方被分配他最想要的物品(也称为,市场均衡解决方案)。虽然这样的均衡结果不是唯一的,做市商选择一个(最大均衡),优化自己的目标-收入最大化。买方反过来改变出价,以他们的最佳利益,以获得更高的效用,在下一轮的市场均衡解决方案。这是一个(n+1)人的博弈,买方进行策略性出价,以从做市商的均衡机制中获得最大收益。买方决定出价的动机和做市商使用最大均衡机制的选择创造了市场中的纳什动态波。我们根据maxeq和mineq之间的关系(即,最小收益均衡),并开发收敛结果的纳什动态从maxeq政策的mineq解决方案,从而产生相当于真实的VCG机制的结果。我们的研究结果意味着收入之间的等价性maxeq和mineq,并解决的问题,为什么短期收入最大化是一个穷人的长期战略,在一个确定性和动态设置。
2011-03-22 cs.GT
On the Learning Curves of Revenue Maximization
Purdue University(普渡大学);Yale University(耶鲁大学);Technion(技术学院);Google Research(谷歌研究院)
本文研究收益最大化学习曲线,揭示单件和单买家环境下学习曲线衰减率,证明在无分布限制时学习曲线收敛但速度极慢,而当最优收益由有限价格实现时衰减率为1/√n,离散分布下衰减几乎指数快。
2026-04-29 cs.DS cs.GT cs.LG
A k-hop Collaborate Game Model: Extended to Community Budgets and Adaptive Non-Submodularity
收入最大化是在线社交网络(OSNs)中最重要的问题之一,它试图在OSNs中找到一个小的用户子集,使得期望的收入最大化。这在以前已经被深入研究过了。然而,现有的文献大多是基于非自适应播种策略和简单的信息扩散模型,如IC/LT模型。它将单个受影响的用户作为计量单位来量化收入。在合作博弈模型出现之前,它把活动作为计算收益的基本对象。由用户发起的活动只能影响距离发起者在k-hop内的那些用户。在此基础上,我们采用自适应种子策略,并制定了收入最大化下的规模预算(RMSB)问题。如果考虑到产品的促销,我们将RMSB扩展到社区预算下的收入最大化(RMCB)问题,其中的影响可以分布在整个网络。RMSB和RMCB的目标函数是自适应单调的,不是自适应子模,但在某些特殊情况下,它是自适应子模。研究了特殊次模情形和一般非次模情形下的RMSB和RMCB问题,分别提出了RMSB Solver和RMCB Solver来解决这两个问题,并给出了强有力的理论保证。特别地,在一般非次模情形下,我们给出了RMSB问题的一个依赖于数据的逼近比。最后,我们通过在真实数据集上进行实验来评估我们提出的算法,并证明了我们的解决方案的有效性和准确性。
2020-04-02 cs.GT cs.SI
Approximate Revenue Maximization for Diffusion Auctions
Yifan Huang(黄毅凡);Dong Hao(郝东);Zhiyi Fan(樊智毅);Yuhang Guo(郭宇hang);Bin Li(李斌)
本文研究扩散拍卖中的收益最大化问题,提出一种显式保留价函数,在保持激励相容性的同时,使卖家在规模为 n、直接邻居数为 ρ 的网络中获得 1−1/ρ 的近似最优收益保证。
2025-07-19 cs.AI cs.GT cs.MA