Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Bidding with Upper and Lower Bounds in Machine Learning Powered Combinatorial Auctions
Organization Unit
Authors
  • Manuel Beyeler
Supervisors
  • Gianluca Brero
  • Sven Seuken
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2019
Abstract Text In Combinatorial Auctions (CAs) multiple items are allocated to multiple bidders at the same time. CAs play an important role in today's economy. However, there exist problems in practical auctions leading to inefficiency in the final allocation. The bundle space grows exponentially in the number of items such that it is not possible for a bidder to specify values for all bundles. Furthermore, even the determination of one bundle value can be a costly task for a bidder. This thesis addresses these problems by allowing bidders to report their values with some uncertainty and help them to focus on important bundles only. The new auction Pseudo VCG Mechanism (PVM) with Bounds and Refinement combines PVM (Brero, Lubin and Seuken, 2018) with the refinement of Lubin et al. (2008). While Brero, Lubin and Seuken (2018) focus on Machine Learning powered bundle elicitation, Lubin et al. (2008) provide a framework to refine bids with uncertainty such that the efficient allocation can be determined. In addition, this thesis provides a new improved pricing algorithm which reduces the number of rounds during the refinement. The evaluation shows that the allocative efficiency of the new auction design is good while the properties of PVM are maintained. Furthermore, the thesis sketches some promising ideas how the efficiency could be further improved. Meanwhile, the current design has some issues concerning low or negative payments which need to be addressed in future designs.
Zusammenfassung Bei kombinatorischen Auktionen werden mehrere Güter zur selben Zeit an verschiedene Bieter versteigert. Kombinatorische Auktionen spielen eine wichtige Rolle in der heutigen Wirtschaft. Allerdings existieren verschiedene Probleme, die zu einer ineffizienten Allokation der Güter führen können. Die Anzahl Güterbündel steigt exponentiell mit der Anzahl der Güter. Deshalb ist es für Bieter schwierig, einen Wert für jedes Bündel zu benennen. Ebenso kann es bereits eine Herausforderung sein, den Wert eines einzelnen Bündels anzugeben. Diese Thesis behandelt diese Probleme, indem sie Bietern ermöglicht, nur bestimmte Güterbündel zu berücksichtigen und ihren Wert eines Güterbündels mit einer Unsicherheit anzugeben. Die neue kombinatorische Auktion Pseudo VCG Mechanism (PVM) with Bounds and Refinement kombiniert PVM (Brero, Lubin and Seuken, 2018) mit der Präzisierung von Lubin et al. (2008). Während Brero, Lubin and Seuken (2018) den Fokus auf eine mit Machine Learning unterstützte Bündelauswahl setzt, stellt Lubin et al. (2008) ein Framework zur Präzisierung von Geboten mit Unsicherheit bereit. Zusammen ermöglicht es dies, eine effiziente Allokation zu bestimmen. Zusätzlich stellt diese Thesis einen neuen Preisgenerierungs-Algorithmus bereit, mit welchem die Anzahl Runden während der Gebots-Präzisierung reduziert werden kann. Die Auswertung der Simulation zeigt, dass das neue Auktionsdesign zu effizienten Allokationen führt, während die Eigenschaften von PVM erhalten bleiben. Zudem zeigt diese Thesis vielversprechende Ideen, wie die Effizienz weiter gesteigert werden kann. Dennoch hat die neue Auktion derzeit noch Probleme mit tiefen oder negativen Erträgen, was in zukünftigen Versionen behoben werden muss.
PDF File Download
Export BibTeX