文件名称:机器能否学习机器是否正在学习串通?-研究论文
文件大小:463KB
文件格式:PDF
更新时间:2024-06-29 22:33:12
论文研究
关于数据分析和算法决策的反垄断影响的文献越来越多,重点关注将分析(包括机器学习 - ML)应用于观察数据的定价应用程序如何让用户有效和默契地协调反竞争价格。 使用竞争对手过去价格(公开信息)和消费者特征(公开或过去购买)数据的算法可以实施价格歧视,这对公司有利可图,而无需交换专有信息而对社会造成成本。 使用 ML 的算法可能会产生无法从源代码中检测到的结果。 如果算法相互发出信号,这种默认的市场力量就会增强。 正如 FTC v. Topkins 所说明的那样,他们可能明确地促进或强迫默契勾结; 在其他情况下,非竞争性的结果可能会以“幸福的事故”的形式出现,其相互采用可能是公司之间的稳定惯例。 这项研究考虑了三个问题:i) 什么算法将在静态、动态或进化均衡中占上风,以及会产生什么效率后果; ii) 这如何反映公司收集和交换的信息; iii) 监管机构如何检测、证明和纠正算法市场失灵?强制合谋的能力通过重复囚徒困境中的“零决定因素”策略来说明(许多市场游戏本质上是 PD); 理论和实验结果表明,单方面采用例如线性敲诈勒索算法可以迫使其他参与者表现得好像他们在串通一样。 这稳定并推广了此类程序的使用。 我们将其推广到有限自动机策略,以测量不同复杂度的算法的相对适应度以及固定数据结构(每个算法“看到”的内容)的结果平衡。 取决于市场结构,存在三种结果:接近古诺结果的演化稳定对称定价策略; 一组接近 Stackelberg 结果的对称非对称均衡和接近联合垄断的有效合谋结果。 比较静态用于考虑更复杂(更多状态或更长内存)的算法是否“击败”更简单的算法。这用于模拟一个游戏,其中开发人员编写应用程序以最大化应用程序对下游公司的价值; 这些开发人员和算法是通过进化竞争(ESS)或模仿(复制器动力学)选择的。 添加第二阶段的原因是为了看看开发者从算法的几个实例中获取信息将如何影响均衡,从而数据保护规则如何与算法决策相互作用。最后,我们考虑监管设置; 什么类型的竞争损害与均衡相关,如何检测“坏”算法并将其与“坏结果”区分开来,以及信息共享规则和数据分析的范围,以在保留此类决策的好处的同时最大限度地减少损害。我们考虑动态频谱接入应用 - 将频谱分配给竞争向具有不同使用时间模式的重叠市场提供服务的公司。 该模型可用于分析速度和复杂性之间的权衡,类似于算法资产交易模型中基于软件的复杂定价模型和基于硬件的快速(移动平均)模型的比较性能。