Auction theory historically focused on the question of designing the best way to sell a single item to potential buyers, with the concurrent objectives of maximizing the revenue generated or the welfare created. Those results relied on some prior Bayesian knowledge agents have on each-other and/or on infinite computational power. All those assumptions are no longer satisfied in new markets such as online advertisement: similar items are sold repeatedly, agents are agnostic and try to manipulate each-other. On the other hand, statistical learning theory now provides tools to supplement those missing assumptions in the long run, as agents are able to learn from their environment to improve their strategies. This survey covers the recent advances of learning in repeated auctions, starting from the traditional economical study of optimal one-shot auctions with a Bayesian prior. We will then focus on the question of learning these mechanism from a dataset of the past values of bidders. The sample complexity as well as the computational efficiency of different methods will be studied. We will also investigate online variants where gathering those data has a cost to be integrated ("earning while learning"). In a second step, we will further assume that bidders are also adaptive to the mechanism as they interact repeatedly with the same seller. We will show how strategic agents can actually manipulate repeated auctions, at their own advantage. At the end of this stand-alone survey (reminders of the different techniques used are provided), we will describe new interesting direction of research on repeated auctions.

中文翻译：

---

在重复拍卖中学习

拍卖理论历来侧重于设计将单个物品出售给潜在买家的最佳方式的问题，同时目标是最大化产生的收入或创造的福利。这些结果依赖于一些先前的贝叶斯知识代理彼此之间和/或无限的计算能力。在网络广告等新市场中，所有这些假设都不再满足：重复销售类似商品，代理商不可知并试图相互操纵。另一方面，从长远来看，统计学习理论现在提供了工具来补充那些缺失的假设，因为代理能够从他们的环境中学习以改进他们的策略。该调查涵盖了重复拍卖中学习的最新进展，从使用贝叶斯先验的最优一次性拍卖的传统经济学研究开始。然后，我们将关注从投标人过去价值的数据集中学习这些机制的问题。将研究样本复杂性以及不同方法的计算效率。我们还将调查收集这些数据需要整合成本的在线变体（“边学习边赚钱”）。在第二步中，我们将进一步假设投标人也适应该机制，因为他们与同一个卖家反复互动。我们将展示战略代理人如何利用自己的优势实际操纵重复拍卖。在本次独立调查的结尾（提供了所使用的不同技术的提示），我们将描述重复拍卖研究的新的有趣方向。然后，我们将关注从投标人过去价值的数据集中学习这些机制的问题。将研究样本复杂性以及不同方法的计算效率。我们还将调查收集这些数据需要整合成本的在线变体（“边学习边赚钱”）。在第二步中，我们将进一步假设投标人也适应该机制，因为他们与同一个卖家反复互动。我们将展示战略代理人如何利用自己的优势实际操纵重复拍卖。在本次独立调查的结尾（提供了所使用的不同技术的提示），我们将描述重复拍卖研究的新的有趣方向。然后，我们将关注从投标人过去价值的数据集中学习这些机制的问题。将研究样本复杂性以及不同方法的计算效率。我们还将调查收集这些数据需要整合成本的在线变体（“边学习边赚钱”）。在第二步中，我们将进一步假设投标人也适应该机制，因为他们与同一个卖家反复互动。我们将展示战略代理人如何利用自己的优势实际操纵重复拍卖。在本次独立调查的结尾（提供了所使用的不同技术的提示），我们将描述重复拍卖研究的新有趣方向。将研究样本复杂性以及不同方法的计算效率。我们还将调查收集这些数据需要整合成本的在线变体（“边学习边赚钱”）。在第二步中，我们将进一步假设投标人也适应该机制，因为他们与同一个卖家反复互动。我们将展示战略代理人如何利用自己的优势实际操纵重复拍卖。在本次独立调查的结尾（提供了所使用的不同技术的提示），我们将描述重复拍卖研究的新的有趣方向。将研究样本复杂性以及不同方法的计算效率。我们还将调查收集这些数据需要整合成本的在线变体（“边学习边赚钱”）。在第二步中，我们将进一步假设投标人也适应该机制，因为他们与同一个卖家反复互动。我们将展示战略代理人如何利用自己的优势实际操纵重复拍卖。在本次独立调查的结尾（提供了所使用的不同技术的提示），我们将描述重复拍卖研究的新的有趣方向。我们将进一步假设投标人也适应该机制，因为他们与同一个卖家反复互动。我们将展示战略代理人如何利用自己的优势实际操纵重复拍卖。在本次独立调查的结尾（提供了所使用的不同技术的提示），我们将描述重复拍卖研究的新有趣方向。我们将进一步假设投标人也适应该机制，因为他们与同一个卖家反复互动。我们将展示战略代理人如何利用自己的优势实际操纵重复拍卖。在本次独立调查的结尾（提供了所使用的不同技术的提示），我们将描述重复拍卖研究的新的有趣方向。