ترجمه فارسی مقاله مزایده های ساعت با توصیه های غیر قابل اعتماد تقویت شده اند

چکیده

We provide the first analysis of clock auctions through the learning-augmented framework. Deferred-acceptance clock auctions are a compelling class of mechanisms satisfying a unique list of highly practical properties, including obvious strategy-proofness, transparency, and unconditional winner privacy, making them particularly well-suited for real-world applications. However, early work that evaluated their performance from a worst-case analysis standpoint concluded that no deterministic clock auction can achieve much better than an $O(\log n)$ approximation of the optimal social welfare (where $n$ is the number of bidders participating in the auction), even in seemingly very simple settings. To overcome this overly pessimistic impossibility result, which heavily depends on the assumption that the designer has no information regarding the preferences of the participating bidders, we leverage the learning-augmented framework. This framework assumes that the designer is provided with some advice regarding what the optimal solution may be. This advice may be the product of machine-learning algorithms applied to historical data, so it can provide very useful guidance, but it can also be highly unreliable. Our main results are learning-augmented clock auctions that use this advice to achieve much stronger performance guarantees whenever the advice is accurate (known as consistency), while simultaneously maintaining worst-case guarantees even if this advice is arbitrarily inaccurate (known as robustness). Specifically, for the standard notion of consistency, we provide a clock auction that achieves the best of both worlds: $(1+ε)$-consistency for any constant $ε> 0$ and $O(\log n)$ robustness. We then also consider a much stronger notion of consistency and provide an auction that achieves the optimal trade-off between this notion of consistency and robustness.

چکیده به فارسی (ترجمه ماشینی)

ما اولین تجزیه و تحلیل حراج های ساعت را از طریق چارچوب یادگیری-اوج ارائه می دهیم.حراج های ساعت پذیرش معوق ، یک کلاس قانع کننده از مکانیسم ها است که یک لیست منحصر به فرد از خصوصیات بسیار کاربردی ، از جمله ضد بودن استراتژی ، شفافیت و حریم خصوصی برنده بی قید و شرط را برآورده می کند و آنها را به ویژه برای برنامه های دنیای واقعی مناسب می کند.با این حال ، کار اولیه که عملکرد آنها را از دیدگاه تجزیه و تحلیل بدترین حالت ارزیابی کرده است نتیجه گرفت که هیچ حراج ساعت قطعی نمی تواند به مراتب بهتر از یک $ O (\ log n) $ تقریب رفاه اجتماعی بهینه (جایی که $ n $ تعداد $ است ، دست یابد.داوطلبان شرکت کننده در حراج) ، حتی در تنظیمات به ظاهر بسیار ساده.برای غلبه بر این نتیجه غیرممکن بودن بیش از حد بدبین ، که به شدت به این فرض بستگی دارد که طراح هیچ اطلاعاتی در مورد ترجیحات داوطلبان شرکت کننده ندارد ، ما از چارچوب یادگیری-باستانی استفاده می کنیم.این چارچوب فرض می کند که طراح توصیه هایی در مورد آنچه که راه حل بهینه ممکن است باشد ارائه می شود.این توصیه ممکن است محصول الگوریتم های یادگیری ماشین باشد که برای داده های تاریخی اعمال می شود ، بنابراین می تواند راهنمایی های بسیار مفیدی را ارائه دهد ، اما همچنین می تواند بسیار غیرقابل اعتماد باشد.نتایج اصلی ما حراج های ساعت یادگیری است که از این توصیه برای دستیابی به تضمین های عملکرد بسیار قوی تر استفاده می کنند ، هر زمان که توصیه ها دقیق باشد (به عنوان قوام شناخته می شود) ، در حالی که همزمان حفظ ضمانت های بدترین حالت حتی اگر این توصیه به طور خودسرانه نادرست باشد (به عنوان استحکام شناخته می شود).به طور خاص ، برای مفهوم استاندارد قوام ، ما یک حراج ساعت ارائه می دهیم که به بهترین های هر دو جهان دست می یابد: $ (1+ε) $-ثبات برای هر $ $ ε> 0 $ و $ O (\ log n) $.سپس ما همچنین یک مفهوم بسیار قوی تر از قوام را در نظر می گیریم و حراج را ارائه می دهیم که به تجارت مطلوب بین این مفهوم قوام و استحکام دست یابد.