User: Guest  Login
Original title:
Learning Continuous and Pure Bayes-Nash Equilibria in Sealed-Bid Auctions
Translated title:
Lernen von stetigen, puren Bayes-Nash-Gleichgewichten in verdeckten Auktionen
Author:
Heidekrüger, Stefan
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Bichler, Martin (Prof. Dr.)
Referee:
Bichler, Martin (Prof. Dr.); Günnemann, Stephan (Prof. Dr.); Göler, Kemal (Prof., Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
equilibrium learning, algorithmic game theory, machine learning, artificial intelligence
Translated keywords:
Künstliche Intelligenz, Algorithmische Spieltheorie, Maschinelles Lernen
TUM classification:
MAT 920; WIR 523
Abstract:
The equilibria of auction markets with incomplete information are poorly understood, and their computation is believed to be generally intractable. In this dissertation, we study a machine learning approach to find such Bayes-Nash equilibria based on modified multi-agent gradient dynamics. We find that in small and medium-sized markets, such dynamics often indeed converge to equilibria, and provably so for symmetric markets. We further study the underlying theory, as well as applications.
Translated abstract:
Die Gleichgewichte von Autkionsmärkten sind schwierig zu charakterisieren und vermutlich im Allgemeinen nicht effizient berechenbar. In dieser Dissertation wird ein Machine-Learning-Ansatz zur Berechnung ebendieser basierend auf einer modifizierten Multi-Agenten Gradientendynamik untersucht. In kleinen und mittelgroßen Märkten beobachten wir, dass diese Lernregel in der Praxis zu Marktgleichgewichten führt. Wir beweisen diese Konvergenz für symmetrische Märkte und behandeln Anwendungen.
WWW:
https://mediatum.ub.tum.de/?id=1700139
Date of submission:
27.02.2023
Oral examination:
12.01.2024
File size:
9665259 bytes
Pages:
151
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240112-1700139-1-6
Last change:
04.04.2024
 BibTeX