🤖 machine learning

Contextual Procurement Auctions with Bandit Learning

यह शोध पत्र बैंडिट फीडबैक वाले दोहराए जाने वाले प्रासंगिक खरीद नीलामियों (contextual procurement auctions) के लिए दो तंत्रों का प्रस्ताव और विश्लेषण करता है: एक सटीक रूप से सत्यनिष्ठ 'एक्सप्लोर-देन-कमिट' एल्गोरिदम जो $\widetilde O((ng)^{1/3}T^{2/3})$ रिग्रेट प्राप्त करता है, और एक फ्रोजन-पेमेंट UCB तंत्र जो कल्याणकारी रिग्रेट (welfare regret) और प्रोत्साहन त्रुटि (incentive error) के बीच के ट्रेडऑफ को अनुकूलित करता है, जिसमें इस ट्रेडऑफ की इष्टतमता को सिद्ध करने वाला एक मिलान संबंधी निचला स्तर (matching lower bound) भी शामिल है।

मूल लेखक: Yiling Chen, Shi Feng, Sadie Zhao

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yiling Chen, Shi Feng, Sadie Zhao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल निर्माण परियोजना (construction project) के प्रबंधक हैं। आपको हर दिन विशिष्ट कार्यों को करने के लिए श्रमिकों (उत्पादकों) को काम पर रखना पड़ता है। हालाँकि, इसमें एक पेंच है: आपको यह नहीं पता कि प्रत्येक श्रमिक किसी विशिष्ट कार्य में कितना अच्छा है, जब तक कि आप वास्तव में उन्हें काम पर नहीं रखते और उनका परिणाम नहीं देख लेते।

संदर्भ (The Context): कभी कार्य "बारिश में खुदाई करना" (संदर्भ A) होता है, और कभी "धूप में खुदाई करना" (संदर्भ B) होता है। एक श्रमिक बारिश में बेहतरीन हो सकता है लेकिन धूप में बहुत खराब।
रहस्य (The Secret): प्रत्येक श्रमिक अपनी लागत (वे कितना भुगतान चाहते हैं) जानता है, लेकिन वे नौकरी पाने के लिए आपसे झूठ बोल सकते हैं।
लक्ष्य: आप परियोजना के लिए सबसे अच्छे श्रमिक को चुनना चाहते हैं ताकि परियोजना का कुल मूल्य अधिकतम हो सके, लेकिन साथ ही आप परियोजना के चलते हुए यह भी सीखना चाहते हैं कि कौन किस काम में अच्छा है।

यह शोध पत्र इस बारेंे में है कि इस "भर्ती खेल" (hiring game) को बार-बार कैसे चलाया जाए ताकि गलतियों या श्रमिकों के झूठ बोलने के कारण बहुत अधिक मूल्य का नुकसान न हो।

मुख्य समस्या: "सीखने बनाम झूठ बोलने" का द्वंद्व (The "Learning vs. Lying" Dilemma)

एक आदर्श दुनिया में, आप जानते होंगे कि हर काम के लिए सबसे अच्छा कौन है। वास्तविक दुनिया में, आपको प्रयोग करके सीखना पड़ता है।

यदि आप सीखने के लिए केवल यादृच्छिक (randomly) चयन करते हैं, तो आप खराब श्रमिकों पर पैसा बर्बाद करते हैं (इसे Regret कहा जाता है)।
यदि आप श्रमिकों को सच बोलने के लिए मजबूर करने की कोशिश करते हैं, तो आपको नियमों को निष्पक्ष बनाए रखने के लिए सीखना बंद करना पड़ सकता है।

लेखक इसे संभालने के दो अलग-अलग तरीके प्रस्तावित करते हैं, जैसे दो अलग-अलग प्रबंधन शैलियाँ।

रणनीति 1: "ट्रेनिंग कैंप" (Explore-Then-Commit)

रूपक (Metaphor): कल्पना कीजिए कि आप पहले कुछ हफ्तों के लिए एक सख्त "ट्रेनिंग कैंप" चलाते हैं।

कैंप चरण (The Camp Phase): आप श्रमिकों द्वारा मांगी गई उनकी सैलरी की मांगों को पूरी तरह से अनदेखा कर देते हैं। आप बस यह देखने के लिए उन्हें यादृच्छिक रूप से कार्य सौंपते हैं कि वे कैसा प्रदर्शन करते हैं। आप उन्हें एक मानक दर (flat rate) देते हैं ताकि वे खुश रहें।
फ्रीज (The Freeze): कैंप के बाद, आप उनके कौशल के बारे में जो कुछ भी सीखा है, उसे लिख लेते हैं। आप इस डेटा को एक सुरक्षित तिजोरी में लॉक कर देते हैं।
असली काम (The Real Job): शेष परियोजना के लिए, आप अपने लॉक किए गए डेटा का उपयोग करके काम के लिए सबसे अच्छे श्रमिक को चुनते हैं। आप उन्हें एक निष्पक्ष फॉर्मूले के आधार पर भुगतान करते हैं (जैसे कि एक "क्रिटिकल प्राइस" जहाँ उन्हें दूसरे सबसे अच्छे श्रमिक को हराने के लिए पर्याप्त भुगतान मिलता है)।

परिणाम:

सत्यनिष्ठा (Truthfulness): क्योंकि प्रशिक्षण चरण में उनकी सैलरी की मांगों की परवाह नहीं की गई थी, इसलिए वे धोखाधड़ी नहीं कर सकते थे। उनके पास झूठ बोलने का कोई कारण नहीं है। यह 100% ईमानदार है।
दक्षता (Efficiency): यह थोड़ा धीमा है। आपने "कैंप" में बहुत समय बिताया, इसलिए आपने शुरुआत में कुछ बेहतरीन मिलानों को खो दिया। शोध पत्र सिद्ध करता है कि इस पद्धति में आप $T^{2/3}$ मूल्य (जहाँ $T$ कुल समय है) खो देते हैं।

रणनीति 2: "जमी हुई सैलरी" (Frozen Salary - Frozen-Payment UCB)

रूपक (Metaphor): एक अधिक गतिशील दृष्टिकोण की कल्पना करें, जैसे कि एक "गिग इकोनॉमी" ऐप।

त्वरित स्काउटिंग (The Quick Scout): आप सभी के कौशल का एक मोटा अंदाजा लगाने के लिए एक छोटा "स्काउट" चरण करते हैं।
फ्रीज (The Freeze): आप उन अनुमानित वेतन दरों को लेते हैं और उन्हें फ्रीज (जमा) कर देते हैं। आप श्रमिकों को बताते हैं: "अब आप जो भी कहें, आपकी भुगतान दर स्काउटिंग में जो हमने देखा था, उसके आधार पर तय है।"
स्मार्ट चयन (The Smart Selection): अब, आप श्रमिकों को चुनने के लिए एक बहुत ही स्मार्ट एल्गोरिदम (जिसे UCB कहा जाता है) का उपयोग करते हैं। यह एल्गोरिदम सीखने में बहुत अच्छा है: यदि वह अनिश्चित है तो वह नई चीजें आजमाता है, और यदि वह सुनिश्चित है तो वह विजेताओं के साथ बना रहता है। यह लोगों के कौशल के बारे में अपना ज्ञान तो अपडेट करता है, लेकिन यह भुगतान दरों को कभी अपडेट नहीं करता।

परिणाम:

दक्षता (Efficiency): यह बहुत तेज़ है! क्योंकि आप परियोजना के दौरान ही सीख रहे होते हैं कि कौन सबसे अच्छा है, इसलिए आप कम मूल्य खोते हैं। आप सैद्धांतिक रूप से सर्वोत्तम प्रदर्शन ( $T^{1/2}$ ) के करीब पहुँच सकते हैं।
कैच (The Tradeoff): क्योंकि आपने भुगतान दरों को फ्रीज कर दिया था, इसलिए एक चतुर श्रमिक एक छोटा सा रास्ता निकाल सकता है और अपनी लागत के बारे में झूठ बोलकर थोड़ा बेहतर सौदा पाने की कोशिश कर सकता है। वे बहुत अमीर तो नहीं बन सकते, लेकिन वे थोड़ा अतिरिक्त लाभ कमा सकते हैं।
संतुलन (The Balance): यह शोध पत्र दिखाता है कि आप इसे ट्यून कर सकते हैं।
- फास्ट मोड (Fast Mode): बहुत तेज़ी से सीखें, लेकिन श्रमिकों के पास झूठ बोलने का थोड़ा अधिक प्रोत्साहन होगा।
- बैलेंस्ड मोड (Balanced Mode): सीखने की गति को थोड़ा धीमा करें ताकि श्रमिकों के पास झूठ बोलने का लगभग कोई प्रोत्साहन न रहे।

बड़ी खोज: आप सब कुछ एक साथ नहीं पा सकते

लेखकों ने इस समस्या के लिए एक "भौतिकी का नियम" (Law of Physics) सिद्ध किया है। आप Frozen Salary पद्धति की गति और Training Camp पद्धति की पूर्ण ईमानदारी को एक साथ नहीं रख सकते।

यदि आप बहुत तेज़ी से सीखना चाहते हैं (कम रिग्रेट), तो आपको यह स्वीकार करना होगा कि श्रमिकों के पास झूठ बोलने का थोड़ा प्रोत्साहन हो सकता है।
यदि आप गारंटी देना चाहते हैं कि श्रमिक कभी झूठ नहीं बोलेंगे, तो आपको यह स्वीकार करना होगा कि आप धीरे सीखेंगे और इस प्रक्रिया में अधिक मूल्य खो देंगे।

उन्होंने दिखाया कि "Frozen Salary" विधि इस ट्रेडऑफ को संभालने का सबसे अच्छा संभव तरीका है। आप नियमों को पूरी तरह से बदले बिना इससे बेहतर नहीं कर सकते।

सरल अंग्रेजी में सारांश

समस्या: आप लोगों को काम पर कैसे रखें जब आप नहीं जानते कि कौन अच्छा है, और वे अपनी कीमत के बारे में झूठ बोल सकते हैं?
समाधान A (द कैंप): उनकी कीमतों को सुनना बंद करें, पहले सब कुछ सीखें, फिर निष्पक्ष रूप से काम पर रखें। यह पूरी तरह से ईमानदार है लेकिन थोड़ा धीमा है।
समाधान B (द फ्रोजन रेट): एक प्रारंभिक कीमत तय करें, फिर सबसे अच्छे लोगों को चुनने के लिए एक स्मार्ट एल्गोरिदम का उपयोग करें और सीखते रहें। यह बहुत तेज़ और कुशल है, लेकिन श्रमिकों के पास झूठ बोलने का एक छोटा सा कारण हो सकता है।
निष्कर्ष: आपको "पूर्ण ईमानदारी" और "अधिकतम गति" के बीच चुनाव करना होगा। यह शोध पत्र सिद्ध करता है कि आप दोनों को एक साथ नहीं पा सकते, और यह आपको यह तय करने के लिए सटीक गणित देता है कि गति बनाम ईमानदारी के आधार पर संतुलन कैसे बनाया जाए।

तकनीकी सारांश: बैंडिट लर्निंग के साथ प्रासंगिक खरीद नीलामियाँ (Contextual Procurement Auctions)

समस्या का निरूपण (Problem Formulation)

यह शोध पत्र बार-बार होने वाली प्रासंगिक खरीद नीलामियों (contextual procurement auctions) के डिज़ाइन को संबोधित करता है, जहाँ एक प्लेटफॉर्म $T$ समय सीमा के दौरान संदर्भों के एक परिमित सेट $C = \{1, \dots, g\}$ में $n$ उत्पादकों को संसाधन आवंटित करता है। मुख्य चुनौती अज्ञात, संदर्भ-निर्भर उत्पाद मूल्यों को सीखने और निजी उत्पादन लागतों को प्राप्त करने की एक साथ प्रक्रिया है।

मॉडल विवरण:

एजेंट: यहाँ $n$ उत्पादक हैं, जिनमें से प्रत्येक की एक निजी लागत $k_i \in [0, 1]$ है। उत्पादक अंतःक्रिया (interaction) के प्रारंभ में एक निश्चित बोली $b_i$ प्रस्तुत करते हैं।
संदर्भ (Contexts): प्रत्येक दौर $t$ में, एक संदर्भ $c_t$ देखा जाता है। संदर्भ प्रक्रिया बाह्य (exogenous) और क्रिया-स्वतंत्र (action-independent) है।
फीडबैक: यदि संदर्भ $c$ में उत्पादक $i$ को चुना जाता है, तो प्लेटफॉर्म एक सीमित यादृच्छिक परिणाम $Y_t(i) \in [0, 1]$ देखता है जिसका माध्य $\mu_{i,c}$ है। प्लेटफॉर्म को केवल बैंडिट फीडबैक (चुने गए जोड़े का परिणाम) प्राप्त होता है, न कि काउंटरफैक्चुअल (counterfactual) परिणाम।
उद्देश्य: लक्ष्य सामाजिक अधिशेष (social surplus/welfare) को अधिकतम करना है, जिसे वास्तविक मूल्यों और लागतों के योग ( $\mu_{i,c} - k_i$ ) के रूप में परिभाषित किया गया है।
बेंचमार्क: प्रदर्शन को कल्याण पछतावे (welfare regret) द्वारा मापा जाता है, जो सीखने वाले तंत्र द्वारा प्राप्त संचयी अधिशेष और एक पूर्ण-सूचना ऑरेकल (full-information oracle) के बीच का अंतर है, जो वास्तविक मान मैट्रिक्स $\mu$ को जानता है और प्रत्येक संदर्भ में अधिकतम गैर-ऋणात्मक अधिशेष वाले उत्पादक का चयन करता है।
प्रोत्साहन (Incentives): तंत्र को रणनीतिक प्रोत्साहनों को नियंत्रित करना चाहिए। आदर्श स्थिति डोमिनेंट-स्ट्रेटजी ट्रुथफुलनेस (DSIC) है, जहाँ दूसरों की कार्रवाइयों की परवाह किए बिना अपनी वास्तविक लागत पर बोली लगाना इष्टतम होता है।

कार्यप्रणाली (Methodology)

लेखक सीखने की दक्षता (regret) और प्रोत्साहन अनुकूलता (truthfulness) के बीच संतुलन बनाने के लिए दो अलग-अलग तंत्रों का प्रस्ताव और विश्लेषण करते हैं।

1. एक्सप्लोर-देन-कमिट (Explore-Then-Commit - ETC) तंत्र

यह तंत्र सटीक सत्यनिष्ठा (exact truthfulness) सुनिश्चित करने के लिए सीखने के चरण को आवंटन चरण से सख्ती से अलग करता है।

अन्वेषण चरण (Exploration Phase - दौर $1 $से$ M$): प्लेटफॉर्म उत्पादकों को चुनने और परिणाम देखने के लिए एक बोली-स्वतंत्र (bid-independent) नीति का उपयोग करता है। इस चरण के दौरान भुगतान स्थिर स्थिरांक (जैसे, 1) होते हैं ताकि बोलियों को प्रभावित किए बिना व्यक्तिगत तर्कसंगतता (individual rationality) सुनिश्चित की जा सके।
कमिट चरण (Commit Phase - दौर $M+1$ से $T$ ): प्लेटफॉर्म अन्वेषण डेटा से प्राप्त अनुभवजन्य मान अनुमानों $\hat{\mu}^0$ को फ्रीज (freeze) कर देता है। इसके बाद, यह इन निश्चित अनुमानों का उपयोग करके एक कुशल खरीद तंत्र चलाता है। विशेष रूप से, यह उस उत्पादक का चयन करता है जो अनुभवजन्य स्कोर $\hat{\mu}^0_{i,c} - b_i$ को अधिकतम करता है, और फ्रीज किए गए अनुमानों के आधार पर अनुभवजन्य VCG क्रिटिकल प्राइस का भुगतान करता है।
मुख्य गुण: क्योंकि आवंटन और भुगतान नियम अन्वेषण डेटा पर निर्भर करते हैं जो बोली-स्वतंत्र है, यह तंत्र सटीक डोमिनेंट-स्ट्रेटजी ट्रुथफुल है।

2. फ्रोजन-पेमेंट UCB (Frozen-Payment UCB - F-UCB) तंत्र

यह तंत्र अनुकूलन योग्य आवंटन (UCB) का उपयोग करते हुए कम पछतावा (regret) प्राप्त करने का लक्ष्य रखता है और भुगतान को फ्रीज करके अनुमानित सत्यनिष्ठा (approximate truthfulness) बनाए रखने का प्रयास करता है।

अन्वेषण चरण: ETC के समान, भुगतान अनुमानों की गणना करने के लिए $M$ लंबाई का एक प्रारंभिक बोली-स्वतंत्र अन्वेषण चरण उपयोग किया जाता है।
अनुकूली आवंटन (Adaptive Allocation): ETC के विपरीत, कमिट चरण में आवंटन नियम अनुकूली UCB स्कोर ( $\hat{\mu}_{i,c}(t) + \beta_{i,c}(t) - b_i$ ) का उपयोग करता है, जो दौर $t$ तक देखे गए सभी परिणामों के आधार पर अपडेट होते हैं।
फ्रोजन भुगतान (Frozen Payments): महत्वपूर्ण रूप से, भुगतान नियम अन्वेषण चरण के बाद फ्रीज कर दिया जाता है। यदि संदर्भ $c$ में उत्पादक $i$ को चुना जाता है, तो उन्हें केवल प्रारंभिक अन्वेषण अनुमानों ( $\hat{\mu}^{pay}$ ) द्वारा गणना की गई क्रिटिकल प्राइस दी जाती है, न कि अनुकूली आवंटन अनुमानों द्वारा।
मुख्य गुण: यह अलगाव (decoupling) उत्पादक की बोली को भविष्य के दौरों में उनके स्वयं के भुगतान को सीधे प्रभावित करने से रोकता है, हालांकि बोली अभी भी चयन को प्रभावित करती है। यह सटीक सत्यनिष्ठा के बजाय अनुमानित सत्यनिष्ठा प्रदान करता है।

मुख्य योगदान और परिणाम

1. पछतावा गारंटी (Regret Guarantees)

ETC पछतावा: ETC तंत्र $\tilde{O}((ng)^{1/3}T^{2/3})$ का कल्याण पछतावा प्राप्त करता है। निश्चित $n$ और $g$ के लिए, यह $\tilde{O}(T^{2/3})$ है।
F-UCB पछतावा: F-UCB एक ट्यूनेबल (tunable) ट्रेड-ऑफ प्रदान करता है:
- Near-UCB ट्यूनिंग ( $M \approx \sqrt{T}$ ): $\tilde{O}(\sqrt{ngT})$ पछतावा (अर्थात, निश्चित $n, g$ के लिए $\tilde{O}(\sqrt{T})$ ) प्राप्त करता है।
- बैलेंस्ड ट्यूनिंग ( $M \approx T^{2/3}$ ): $\tilde{O}(T^{2/3})$ पछतावा प्राप्त करता है।

2. प्रोत्साहन गारंटी (Incentive Guarantees)

ETC: सटीक डोमिनेंट-स्ट्रेटजी ट्रुथफुलनेस (शून्य प्रोत्साहन त्रुटि) प्रदान करता है।
F-UCB: अनुमानित सत्यनिष्ठा प्रदान करता है। प्रोत्साहन त्रुटि (गलत रिपोर्ट करने से एक उत्पादक द्वारा प्राप्त किया जा सकने वाला अधिकतम लाभ) अन्वेषण लंबाई $M$ $M$ पर निर्भर करती है:
- Near-UCB ट्यूनिंग: कुल प्रोत्साहन त्रुटि $\tilde{O}(T^{3/4})$ है।
- बैलेंस्ड ट्यूनिंग: कुल प्रोत्साहन त्रुटि $\tilde{O}(T^{2/3})$ है।

3. निचली सीमाएँ (Lower Bounds)

यह शोध पत्र फ्रोजन-पेमेंट ढांचे के लिए एक मिलान निचली सीमा (matching lower bound) सिद्ध करता है। यह प्रदर्शित करता है कि किसी भी तंत्र के लिए जो भुगतान को फ्रीज करने के लिए बोली-स्वतंत्र अन्वेषण का उपयोग करता है, पछतावे और प्रोत्साहन त्रुटि के बीच एक अनिवार्य ट्रेड-ऑफ है। विशेष रूप से, पोस्ट-एक्सप्लोरेशन पछतावे और प्रोत्साहन त्रुटि का योग $\Omega(M + T/\sqrt{M})$ द्वारा निम्न-सीमांकित है।

इसका तात्पर्य यह है कि फ्रोजन-पेमेंट सेटिंग में ETC स्केल ( $T^{2/3}$ ) से नीचे पछतावा सुधारने के लिए, प्रोत्साहन त्रुटि में वृद्धि आवश्यक है (उदाहरण के लिए, $\sqrt{T}$ पछतावा प्राप्त करने के लिए प्रोत्साहन त्रुटि $\Omega(T^{3/4})$ होगी)।
ETC तंत्र को सटीक-सत्यनिष्ठा फ्रंटियर (exact-truthfulness frontier) के लिए इष्टतम दिखाया गया है, जबकि F-UCB फ्रोजन-पेमेंट फ्रंटियर के लिए इष्टतम है।

4. प्रयोगात्मक सत्यापन (Experimental Validation)

लेखक तीन उत्पादकों और तीन संदर्भों के एक निश्चित उदाहरण पर प्रयोग प्रस्तुत करते हैं।

पछतावा स्केलिंग (Regret Scaling): प्रयोगात्मक परिणाम पुष्टि करते हैं कि ETC अपने लंबे अन्वेषण आवश्यकता के कारण उच्च प्रारंभिक पछतावा झेलता है, जबकि F-UCB अधिक तेज़ी से Near- $\sqrt{T}$ पछतावा दर को ट्रैक करता है।
रणनीतिक बोली (Strategic Bidding): $\epsilon$ -नेट इक्विलिब्रियम का उपयोग करके एक रणनीतिक बोली प्रयोग में, लेखक देखते हैं कि जबकि रणनीतिक विचलन अल्पकालिक क्षितिज (जहाँ भुगतान अनुमान शोर युक्त होते हैं) में कल्याण को प्रभावित कर सकते हैं, F-UCB मजबूत रहता है और जैसे-जैसे क्षितिज $T$ बढ़ता है, कल्याण के मामले में ETC से काफी बेहतर प्रदर्शन करता है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र अज्ञात संदर्भ-निर्भर मूल्यों वाले परिवेश में कल्याण-अधिकतम करने वाली खरीद के लिए एक कठोर ढांचा प्रदान करने का दावा करता है, जो खुद को राजस्व-अधिकतमीकरण या वर्चुअल-कॉस्ट पछतावा दृष्टिकोणों से अलग करता है।

कल्याण पर ध्यान (Welfare Focus): लेखक इस बात पर जोर देते हैं कि उनका पछतावा सीधे वास्तविक सामाजिक अधिशेष ( $\mu_{i,c} - k_i$ ) के रूप में मापा जाता है, जो सार्वजनिक ऑपरेटरों और बुनियादी ढांचा योजनाकारों (जैसे बिजली बाजार, कंप्यूट आवंटन) के लिए प्रासंगिक है जहाँ भुगतान समन्वय उपकरण के रूप में कार्य करते हैं न कि राजस्व के स्रोत के रूप में।
सत्यनिष्ठा बनाम सीखना (Truthfulness vs. Learning): यह कार्य स्थापित करता है कि इस सेटिंग में सटीक सत्यनिष्ठा (exact truthfulness) $\tilde{O}(T^{2/3})$ के धीमे पछतावा दर की कीमत पर आती है (ETC के माध्यम से)। इसके विपरीत, तेज़ $\tilde{O}(\sqrt{T})$ पछतावा दर प्राप्त करने के लिए, F-UCB को अनुमानित सत्यनिष्ठा की ओर झुकना आवश्यक है, और शोध पत्र इस ढील (relaxation) की सटीक लागत को मापता है।
ट्रेड-ऑफ की अपरिहार्यता (Inevitability of Trade-offs): निचली सीमा के परिणाम दावा करते हैं कि फ्रोजन-पेमेंट तंत्र में देखे गए पछतावे और प्रोत्साहन त्रुटि के बीच का ट्रेड-ऑफ अनिवार्य है, जो इस श्रेणी के तंत्रों के लिए एक फ्रंटियर को परिभाषित करता है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि इस फ्रंटियर को तोड़ने के लिए गैर-फ्रोजन भुगतान नियम आवश्यक हो सकते हैं, प्रस्तावित तंत्र बैंडिट फीडबैक के साथ प्रासंगिक खरीद नीलामियों के लिए पहली सटीक और अनुमानित समाधान प्रदान करते हैं जिनके पास प्रमाणित गारंटी है।