ترجمه فارسی مقاله یادگیری تقویتی عمیق برای مزایده های ترکیبی متوالی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Deep Reinforcement Learning for Sequential Combinatorial Auctions
عنوان مقاله به فارسی یادگیری تقویتی عمیق برای مزایده های ترکیبی متوالی
نویسندگان Sai Srivatsa Ravindranath, Zhe Feng, Di Wang, Manzil Zaheer, Aranyak Mehta, David C. Parkes
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Science and Game Theory,Artificial Intelligence,Machine Learning,علوم کامپیوتر و نظریه بازی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 10 July, 2024; originally announced July 2024.
توضیحات به فارسی 10 ژوئیه 2024 ارسال شد.در ابتدا ژوئیه 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Revenue-optimal auction design is a challenging problem with significant theoretical and practical implications. Sequential auction mechanisms, known for their simplicity and strong strategyproofness guarantees, are often limited by theoretical results that are largely existential, except for certain restrictive settings. Although traditional reinforcement learning methods such as Proximal Policy Optimization (PPO) and Soft Actor-Critic (SAC) are applicable in this domain, they struggle with computational demands and convergence issues when dealing with large and continuous action spaces. In light of this and recognizing that we can model transitions differentiable for our settings, we propose using a new reinforcement learning framework tailored for sequential combinatorial auctions that leverages first-order gradients. Our extensive evaluations show that our approach achieves significant improvement in revenue over both analytical baselines and standard reinforcement learning algorithms. Furthermore, we scale our approach to scenarios involving up to 50 agents and 50 items, demonstrating its applicability in complex, real-world auction settings. As such, this work advances the computational tools available for auction design and contributes to bridging the gap between theoretical results and practical implementations in sequential auction design.

چکیده به فارسی (ترجمه ماشینی)

طراحی حراج بهینه درآمد یک مشکل چالش برانگیز با پیامدهای مهم نظری و عملی است.مکانیسم های حراج متوالی ، که به دلیل سادگی و ضمانت های ضد استراتژی قوی شناخته شده اند ، اغلب با نتایج نظری که عمدتاً وجودی هستند ، به جز برخی از تنظیمات محدود کننده محدود هستند.اگرچه روش های یادگیری تقویت کننده سنتی مانند بهینه سازی سیاست پروگزیمال (PPO) و بازیگر نرم-انتقادی (SAC) در این حوزه قابل اجرا هستند ، اما هنگام برخورد با فضاهای بزرگ و مداوم ، با خواسته های محاسباتی و مسائل همگرایی مبارزه می کنند.با توجه به این امر و تشخیص اینکه ما می توانیم از انتقال متفاوت برای تنظیمات خود مدل کنیم ، ما با استفاده از یک چارچوب یادگیری تقویت جدید متناسب با حراج های ترکیبی متوالی که از شیب مرتبه اول استفاده می کند ، پیشنهاد می کنیم.ارزیابی های گسترده ما نشان می دهد که رویکرد ما به پیشرفت قابل توجهی در درآمد نسبت به پایه های تحلیلی و الگوریتم های یادگیری تقویت استاندارد دست پیدا می کند.علاوه بر این ، ما رویکرد خود را به سناریوهای مربوط به حداکثر 50 عامل و 50 مورد مقیاس می دهیم و کاربرد آن را در تنظیمات حراج پیچیده و واقعی در دنیای واقعی نشان می دهیم.به همین ترتیب ، این کار ابزارهای محاسباتی موجود برای طراحی حراج را پیشرفت می کند و به ایجاد شکاف بین نتایج نظری و اجرای عملی در طراحی حراج پی در پی کمک می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.