文献

J-GLOBAL ID：202002253518563733   整理番号：20A1868089

大規模市場のためのインセンティブを意識した学習【JST・京大機械翻訳】

Incentive-Aware Learning for Large Markets

著者 (4件)： Epasto Alessandro (Google Research, New York City, NY, USA) ,  Mahdian Mohammad (Google Research, New York City, NY, USA) ,  Mirrokni Vahab (Google Research, New York City, NY, USA) ,  Zuo Song (Tsinghua University, Beijing, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： WWW ’18  ページ： 1369-1378  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 典型的な学習問題において,1つの重要なステップは,目的関数を最適化するモデルの収集から1つのモデルを選ぶための訓練データを用いることである。多くのマルチエージェント設定において,訓練データはエージェントの行動を通して作り出され,そして,モデルはエージェントに影響を及ぼす決定(例えば,アイテムを販売する方法)を作るために使用される。これは,オークションにおける予備価格を学習する問題である。このような場合,エージェントは,訓練データ(例えば,オークションの場合の入札を操作する)に影響を与える動機を持ち,システムをゲームし,より好ましい結果を達成する。本論文では,一般的な設定におけるそのようなインセンティブ意識学習問題を研究し,2つの仮定の下で目的関数を近似的に最適化できることを示した。(i)各個々のエージェントは「小」(市場の一部)である。(ii)操作に関連するコストがある。この説明的適用のために,これは,個々のエージェントが有意な市場シェアを持たないオークションにおいて,ほぼ最適な予備価格を設定するためのメカニズムにうまく翻訳する。この応用に対して,著者らは,2番目の仮定(操作はコストが高い)が,エージェントが操作するエージェントを高価にするのに,任意のオークションを「摂動」できるので,必要でないことを示す。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *学習 ,  ゲーム ,  近似法 ,  市場占拠率 ,  目的関数 ,  摂動 ,  エージェント
準シソーラス用語： 訓練データ ,  オークション ,  マルチエージェント , 【Automatic Indexing@JST】

著者キーワード (4件)： オークション ,  インセンティブを意識した学習 ,  大きな市場 ,  戦略的エージェントによる学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 大規模 ,  市場 ,  インセンティブ ,  意識 ,  学習