学术报告: Theoretical Foundations of Data-driven Auction Design

题目: Theoretical Foundations of Data-driven Auction Design

主讲:    黄志毅博士,香港大学

日期:    2019年 12月 3 日(星期二)

时间:    15:00—16:00

地点:    大学城中山大学数据科学与计算机学院 A201

主持:    李绿周 教授

 

摘要:

Through a series of papers, we settle the sample complexity of single-parameter revenue maximizing auction design by showing matching upper and lower bounds, up to a poly-logarithmic factor, for all families of value distributions that have been considered in the literature. The upper bounds are unified under a novel framework, which builds on the strong revenue monotonicity by Devanur, Huang, and Psomas (STOC 2016), and an information theoretic argument. This is fundamentally different from the previous approaches that rely on either constructing an epsilon-net of the mechanism space, explicitly or implicitly via statistical learning theory, or learning an approximately accurate version of the virtual values. To our knowledge, it is the first time information theoretical arguments are used to show sample complexity upper bounds, instead of lower bounds.

报告人简介:

黄志毅,博士,香港大学工程学院计算机科学系助理教授。2008年本科毕业于首届清华姚班,2013年博士毕业于宾夕法尼亚大学计算机与信息科学系。其后在斯坦福大学任博士后,2014年加入香港大学。长期从事理论计算机科学相关研究,目前主要致力于带有不确定信息的优化问题的基础理论,其中包括算法博弈论、在线算法、差分隐私三个方向。黄志毅博士在算法博弈论的采样复杂度、非线性目标函数的在线优化、在线匹配、以及满足差分隐私的资源分配算法等方面解决了多个重要问题,发表顶级期刊、会议论文50篇,其中发表在理论计算机科学排名前三的会议STOC、FOCS、SODA以及算法博弈论排名第一的会议EC上超过20篇。作为项目负责人主持香港研究资助局项目5个。相关工作曾获西蒙斯理论计算机科学奖学金(全美五人)、拉比诺夫最佳博士论文奖、香港研究资助局杰出青年学者奖、ACM Symposium on Parallelism in Algorithms and Architectures 2015最佳论文奖等奖项。