Enhancing Affine Maximizer Auctions with Correlation-Aware Payment
本文提出一种名为 Correlation-Aware AMA（CA-AMA）的新框架，通过引入关联感知支付机制增强 Affine Maximizer Auctions（AMAs），旨在解决传统 AMA 在竞拍者估值相关分布下表达力受限的问题。研究证明 CA-AMA 保持占优策略激励相容性（DSIC），并将最优 CA-AMA 的求解形式化为受个体理性（IR）约束的优化问题。理论分析表明，经典 AMAs 在某些场景下收益可能任意差，而 CA-AMA 可达到最优收益；为此设计了包含目标函数连续性推导及偏离严格 IR 偏差泛化界定的两阶段训练算法。实验结果显示，该算法能在多种分布中找到近似最优的 CA-AMA，实现收益提升且对 IR 的违反程度较低。