加载中...
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
| Setting | Metric | Regret (×10^-3) | Time (h) |
|---|---|---|---|
| 2×2 | Original | 0.71 | 0.85 |
| 2×2 | Optimal | 0.72 | 25.5 |
| 2×2 | Lower Bound | 0.59 | 0.005 |
| 2×2 | Item-wise | 0.77 | 0.005 |
| 2×2 | Ours | 0.71 | 0.025 |
| 3×10 | Original | 1.56 | 2.0 |
| 3×10 | Near Optimal | 4.72 | 4.26 |
| 3×10 | Lower Bound | 2.17 | 0.09 |
| 3×10 | Item-wise | 6.28 | 0.09 |
| 3×10 | Ours | 4.73 | 0.27 |
| 5×10 | Original | 2.48 | 9.2 |
| 5×10 | Near Optimal | 5.24 | 216.9 |
| 5×10 | Lower Bound | 2.49 | 0.57 |
| 5×10 | Item-wise | 5.50 | 0.57 |
| 5×10 | Ours | 5.25 | 1.19 |
引言与报告概览(元数据)
逐节深度解读
图表逐一解读与关键数据说明(重点图表)
表1(第2页)——超参数差异
表2(第2页)——交叉评估(3×10)
表3(第3页)——ALGnet 上 L、R 的敏感性与运行时间
表5(第5页)——在 ALGnet 上比较原始、下界、Item-wise、Near-Optimal 与作者方法的遗憾与时间
表6(第6页)——对 RegretNet、ALGnet、RegretFormer 的重新评估
表7(第9页)——CITransNet 在复杂上下文分布下的重估
估值分析(本报告方法的性质与数学依据)
风险因素评估(方法固有局限与作者自述)
批判性视角与细微差别
结论性综合(关键发现与对社区的建议)
参考(文本内关键出处)
(注)我已在文中以图像 markdown 的形式嵌入报告中各关键表格的相对路径引用,便于读者直观对照原始数据:表1–表3(第2–3页)、表5(第5页)、表6(第6页)、表7(第9页)。各图表直接对应报告相应页码,便于复核与进一步复现实验。
2601.13489.pdf