Bridging the Gap Between Estimated and True Regret: Towards Reliable Regret Estimation in Deep Learning-based Mechanism Design
创建于 更新于
摘要
本文发现当前基于深度学习的拍卖机制在用梯度优化估计ex-post regret时普遍低估真实违约（部分模型真实 regret 远高于报告值），并提出了理论下界、Item-wise Regret（将复杂的联合搜索分解为按物品的线性复杂度 O(n·Q·m)）以及基于 item-wise 解构造的 Guided Gradient Refinement，从而在大幅提升估计准确性的同时将计算成本降低数十到数百倍，为可靠评估机制的激励相容性提供了可扩展工具 [page::0][page::3][page::5]
