[LG]《On the Learning Curves of Revenue Maximization》S Hanneke, A Kalavasis, S Moran, G Velegkas [Purdue University & Yale University & Technion] (2026)

在机制设计学习中，最大化收益的学习曲线一直缺乏刻画。过去方法受困于PAC框架只看最坏分布上界，本质原因是允许分布随样本量变化，掩盖单一分布下真实收敛形状。

本文的核心洞见是：把收益学习从“对抗最坏序列”重新看作“固定分布下的曲线衰减”。由此，对不同分布结构逐一刻画其误差下降速率，使学习速度首次呈现分层图景。

这项工作真正留下的遗产是把收益学习问题拆成“分布结构→学习速度”的对应关系。它为后来者打开的新门是细粒度分析具体市场分布，但尚未跨过的门槛是更复杂多买家机制的速率刻画。

arxiv.org/abs/2604.26922 机器学习 人工智能 论文 AI创造营