打开神经拍卖机制的黑箱

神经拍卖设计已成为面向现代 Web 平台的自动化机制设计中的一种强大范式。由于这些学习得到的机制直接决定关键经济结果，其内部透明度的缺失引发了对可审计性和可信度的重大担忧。因此，以事后方式打开这一黑箱至关重要，但也面临两个独特挑战：（1）激活上下文是稠密且相互关联的数值概况，缺乏显式语义结构；（2）只有当特征解释能够映射到可测量的拍卖状态或结果时，才能对其进行可证伪的审计。本文提出了一种事后白箱审计框架，用于剖析训练完成的神经拍卖机制。我们以 CITransNet 为代表性试验平台，首先使用稀疏自编码器分解隐藏表示，同时忠实保留下游拍卖行为。通过将特征解释锚定于拍卖本身的经济目标，我们利用激活预测和因果干预对其进行验证，从重构字典中筛选出经过验证的特征。最后，我们将这一流程应用于多种拍卖设置，表明这些经过验证的特征可以作为分析工具，用于考察内部表示如何调节策略性虚报激励、与 Myerson 最优拍卖相契合，以及支持对单次拍卖的诊断。我们的工作凸显了白箱机制审计的潜力：建立必要的基础信任，使神经拍卖能够作为广泛采用的 Web 技术得到部署。为提高研究透明度并方便独立核查，我们在 https://github.com/Li-Beverly-Kong/opening-neural-auctions.git 公开发布了支持本文研究发现的实验结果。