Mechanism design and deep learning methodologies for reverse auctions

Abstract

In this thesis, we are concerned with the problem of designing reverse auctions. These auctions have seen a sharp increase in their popularity through the advent of online crowdsourcing platforms. First, we provide an overview of the existing analytical mechanisms which can be found in the literature. These are mechanisms for reverse auctions and cover several single-parameter and multi-parameter settings. Furthermore, we apply deep learning techniques for the problem of reverse auction design, by adapting an existing deep learning approach for regular forward auctions. We conclude that a direct transformation of the learning model from the forward to the reversed setting does not yield the desired results for settings with additive bidders and uniformly generated bids, and that further research is needed in order to fully evaluate the model in other settings.Σε αυτή την εργασία, ασχολούμαστε με το πρόβλημα της σχεδίασης αντίστροφων δημοπρασιών. Η δημοφιλία αυτών των δημοπρασιών έχει αυξηθεί κατακόρυφα λόγω της εμφάνισης διαδικτυακών πλατφόρμων πληθοπορισμού. Αρχικά, παρέχουμε μία επισκόπηση των υπάρχοντων αναλυτικών μηχανισμών που μπορούν να βρεθούν στη βιβλιογραφία. Αυτοί είναι μηχανισμοί για αντίστροφες δημοπρασίες που καλύπτουν διάφορα μονοπαραμετρικά και πολυπαραμετρικά περιβάλλοντα. Επιπροσθέτως, εφαρμόζουμε τεχνικές βαθιάς μάθησης για το πρόβλημα της σχεδίασης αντίστροφων δημοπρασιών, μέσα από την προσαμοργή μιας υπάρχουσας τεχνικής για κανονικές δημοπρασίες με βαθιά μάθηση. Συμπεράνουμε ότι ένας άμεσος μετασχηματισμός του υπάρχοντος μοντέλου μάθησης από το κανονικό στο αντίστροφο περιβάλλον δεν δίνει τα επιθυμητά αποτελέσματα για περιβάλλοντα με προσθετικούς παίκτες και ομοιόμορφα παραγώμενες προσφορές, και πως απαιτείται περαιτέρω έρευνα για την πλήρη αξιολόγηση του μοντέλου και σε άλλα περιβάλλοντα.