Πλοήγηση ανά Επιβλέπων "Markakis, Evangelos"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω

Τώρα δείχνει 1 - 8 από 8

Algorithmic and game-theoretic aspects of computational social choice
(31-03-2024) Papasotiropoulos, Georgios; Παπασωτηρόπουλος, Γεώργιος; Athens University of Economics and Business, Department of Informatics; Dimakis, Antonis; Pagourtzis, Aris; Amanatidis, Georgios; Filos-Ratsikas, Aris; Kavvadias, Dimitris; Sgouritsa, Alkmini; Markakis, Evangelos
The present dissertation aims to explore innovative decision-making approaches that complement traditional voting processes, examining them through an algorithmic, game-theoretic and axiomatic lens. The central objective is to identify voting procedures that can increase agents' desire to participate in collective governance and improve voters participation experience. Therefore, we focus on suggesting and analysing voting frameworks and election rules that reconcile the varying preferences of the electorate towards achieving socially desirable outcomes in various scenarios, aspiring to elevate both the quantity and quality of community involvement in democratic processes.
Applying machine learning models & algos for prediction of crypto market movements and optimization of market investment strategies
(14-12-2022) Γάτος, Ραφαήλ; Gatos, Rafail; Athens University of Economics and Business, Department of Informatics; Vassalos, Vasilios; Malakasiotis, Prodromos; Markakis, Evangelos
Τα τελευταία χρόνια η αγορά κρυπτονομισμάτων ελκύει το ενδιαφέρον ολοένα και περισσότερων επενδυτών οι οποίοι βλέπουν τα κρυπτονομίσματα ως ένα ακόμη asset στο οποίο μπορούν να επενδύσουν μακροπρόθεσμα ή βραχυπρόθεσμα. Η τεχνολογία του blockchain στην οποία βασίζονται εγγυάται την αξιοπιστία τους, ενώ ο μεγάλος όγκος συναλλαγών και οι μεγάλες αποδόσεις τους τα καθιστούν ελκυστικά. Παράλληλα, κατά την ίδια περίοδο έχουμε μια μαζική υιοθέτηση μεθόδων μηχανικής μάθησης για την επίλυση ποικίλων επιχειρηματικών προβλημάτων αλλά και για τη βελτίωση παραδοσιακών προσεγγίσεων. Αναπόφευκτα αυτό επηρεάζει και τον τρόπο με τον οποίο συμπεριφέρονται οι επενδυτές καθώς πλέον έχουν στα χέρια τους νέα εργαλεία με τα οποία μπορούν να πάρουν επενδυτικές αποφάσεις αποτελεσματικότερα και γρηγορότερα. Η μηχανική μάθηση μπορεί να ποσοτικοποιήσει την ψυχολογία της αγοράς και αναλύοντας μεγάλο όγκο δεδομένων να αναγνωρίσει μοτίβα που ο άνθρωπος δεν είναι σε θέση να αντιληφθεί οδηγώντας έτσι σε πιο ακριβείς προβλέψεις. Όπως θα δούμε, η χρήση μοντέλων μηχανικής μάθησης σε συνδυασμό με τεχνικές βελτιστοποίησης χαρτοφυλακίου μπορούν να οδηγήσουν σε σημαντικά κέρδη. Αυτό που επιχειρείται σε αυτή την εργασία είναι η κατασκευή ενός δυναμικού χαρτοφυλακίου όπου κάθε εβδομάδα επιλέγονται 8 κρυπτονομίσματα, σε κάποια από τα οποία η θέση είναι long και σε κάποια short. Το ποια είναι τα εκάστοτε 8 κρυπτονομίσματα αλλά και το τι ποσοστό του κεφαλαίου μας επενδύεται σε καθένα, καθορίζεται με βάση την πρόσφατη συμπεριφορά των 20 μεγαλύτερων κρυπτονομισμάτων με βάση την κεφαλαιοποίηση της αγοράς. Η αναλογία long/short καθορίζεται ανάλογα με το αν προβλέπεται άνοδος ή πτώση στην αγορά κρυπτονομισμάτων. Για το σκοπό αυτό κατασκευάζεται ένα δείκτης, ο Crypto10, ο οποίος αποτελείται από τα 10 σημαντικότερα κρυπτονομίσματα βάσει κεφαλαιοποίησης, όπως αντίστοιχα ο ΣΠ 500 στο χρηματιστήριο της Αμερικής. Όσο μεγαλύτερη προβλέπεται η πιθανότητα ανόδου του Crypto10 τόσο περισσότερα κρυπτονομίσματα μπαίνουν στο χαρτοφυλάκιο σε θέση long και αντίστροφα. Με βάσει ιστορικά δεδομένα τόσο της αγοράς κρυπτονομισμάτων, όσο και άλλων αγορών, κατασκευάζεται ένα μοντέλο μηχανικής μάθησης, το οποίο προβλέπει αν και με τι πιθανότητα, ο Crypto10 που αντικατοπτρίζει σε μεγάλο βαθμό την αγορά, πρόκειται να ανέβει μία εβδομάδα αργότερα. Στο τέλος εξετάζεται η αποτελεσματικότητα της όλης στρατηγικής, μέσω της κερδοφορίας της, εφαρμόζοντάς την σε πραγματικά, άγνωστα δεδομένα.
Combinatorial auctions: implementation and analysis of allocation and payment rules
(01/07/2019) Gounidellis, Efstratios; Athens University of Economics and Business, Department of Informatics; Markakis, Evangelos
The last decades, auctions played a significant role in the allocation of both public and private goods. Companies like Google implement auctions to allocate advertisement slots while platforms such as eBay also use them for online sales.Auctions are applicable in various cases such as spectrum allocation, airspace system allocation and allocation of financial products. Therefore, their popularity and their extensive use by governments as well as businesses made research around auctions imperative. The research focuses on studying characteristics of auctions such as transparency, truthfulness and maximization of social welfare and revenue.Combinatorial auctions are a type of auctions, which allows the participants to place package bids i.e. to submit bids on combinations of items and not just on individual items. Research around combinatorial auctions has been popular during the last fifteen years as there have been numerous applications such as truckload transportation, bus routes and radio spectrum allocation. Nevertheless, combinatorial auctions come with their challenges, because computing the allocation and the payments to the bidders are computationally hard problems in general.The purpose of this thesis is to focus mainly on the class of knapsack auctions and compare VCG and the so-called ”core-selecting auctions” performance in that setting. On the one hand, the celebrated VCG mechanism is an extension of the second-price sealed-bid auction or Vickrey auction. On the other hand, core-selecting auctions select an allocation and a pricing rule in a way that no coalition of participants, including the auctioneer, have incentives to deviate and achieve a better outcome. Furthermore, the concern about computational tractability remains unresolved in some scenarios. Hence, our focus is on evaluating the performance of VCG and core-selecting auctions in the knapsack setting by simulations, with respect to criteria such as generated revenue, computational complexity and social welfare.
Data analysis and bidding strategies in sponsored search auctions
(28-02-2011) Σωτήρη, Μαρία; Sotiri, Maria; Athens University of Economics and Business, Department of Informatics; Markakis, Evangelos; Stamoulis, Georgios
Στην παρούσα διπλωματική εργασία παρέχουμε μια επισκόπηση των δημοπρασιών με λέξεις κλειδιά και της δομής τους, να εξετάσουμε τους μηχανισμούς που χρησιμοποιούνται στο πέρας του χρόνου, από την πρώτη δημοπρασία αυτής της μορφής μέχρι σήμερα, και να παρουσιάσουμε τα χαρακτηριστικά τους, τις ομοιότητες και τις διαφορές τους. Επιπλέον αναλύουμε δεδομένα από δημοπρασίες με λέξεις κλειδιά της Overture, που πραγματοποιήθηκαν τη χρονική περίοδο μεταξύ Ιουνίου 2002 και Ιουνίου 2003, μέσα από ένα σύνολο στοιχείων που παρέχονται ως μέρος του προγράμματος Yahoo! Webscope για χρήση για ακαδημαϊκούς. Ανατρέχουμε σε δημοσιευμένες έρευνες σχετικά με τα ίδια δεδομένα και ειδικότερα με ποσότητες σχετικές με τον υπολογισμό του ρυθμού κλικ (Click Through Rate estimation) και δοκιμάζουμε διαφορετικές φθίνουσες κατανομές καθώς προχωράμε προς τα κάτω στον κατάλογο των χρηματοδοτούμενων αποτελεσμάτων αναζήτησης. Επιβεβαιώνουμε ότι πραγματικά δεδομένα ικανοποιούν σε μεγάλο βαθμό τη γεωμετρική κατανομή σε πλήθος περιπτώσεων. Τέλος, εκθέτουμε τις υπάρχουσες στρατηγικές υποβολής προσφορών και εισάγουμε και δοκιμάζουμε μία νέα σε προγραμματιστικό επίπεδο. Στο πλαίσιο αυτό εκτελούμε πειράματα/ προσομοιώσεις με στόχο την αξιολόγηση της απόδοσής τους.
Design and analysis of auction mechanisms: algorithms and incentives
(22-05-2023) Τσικιρίδης, Αρτέμ; Tsikiridis, Artem; Athens University of Economics and Business, Department of Informatics; Dimakis, Antonios; Karagiannis, Ioannis; Sgouritsa, Alkmini; Stamoulis, Georgios; Pagourtzis, Aris; Fotakis, Dimitris; Markakis, Evangelos
Σε αυτή τη διατριβή, σχεδιάζουμε νέους αλγορίθμους για περιβάλλοντα συνδυαστικών δημοπρασιών ακολουθώντας μια διεπιστημονική προσέγγιση. Ταυτόχρονα, αναλύουμε την απόδοση υπαρχόντων πρωτοκόλλων δημοπρασιών και αναδεικνύουμε τις σχεδιαστικές αρχές εκείνες που επιτρέπουν εγγυήσεις απόδοσης.Στο πρώτο κομμάτι της διατριβής μελετάμε δύο υποδείγματα δημοπρασιών σημαντικών ως προς τις πρακτικές εφαρμογές τους: δημοπρασίες πυρήνα (core-selecting auctions) και δημοπρασίες πολλών αντιγράφων ενός αντικειμένου (multi-unit auctions). Αρχικά μελετούμε την έννοια του πυρήνα, όπως ορίστηκε από τους Ausubel και Milgrom. Μελετούμε το πολύτοπο που σχηματίζει ο πυρήνας σε μεγαλύτερο βάθος και αναδεικνύουμε μερικές νέες ιδιότητες. Χρησιμοποιώντας τις ιδιότητες αυτές, προτείνουμε έναν φιλαλήθη μηχανισμό που είναι ανταγωνιστικός ως προς τα MRCS έσοδα. Ο μηχανισμός αυτός είναι ο πρώτος ντετερμινιστικός, ανταγωνιστικός προς τον πυρήνα μηχανισμός για δυαδικά περιβάλλοντα δημοπρασιών μίας παραμέτρου στη βιβλιογραφία. Ακόμη, δίνουμε μια καταφατική απάντηση στην ερώτηση που είχε τεθεί στην βιβλιογραφία σχετικά με το αν υπάρχουν μη φθίνοντες (non-decreasing) MRCS μηχανισμοί. Στη συνέχεια, επικεντρωνόμαστε στις δημοπρασίες πολλών αντιγράφων ενός αντικειμένου (multi-unit auctions). Αναλύουμε δημοπρασίες διακριτής τιμής (discriminatory price), οι οποίες αποτελούν φυσική γενίκευση των δημοπρασιών πρώτης τιμής. Εξάγουμε νέα κάτω και άνω φράγματα ως προς το Τίμημα της Αναρχίας των μικτών σημείων ισορροπίας. Επιπλέον, παρουσιάζουμε έναν διαχωρισμό της κλάσης αυτής με την κλάση των Μπεϋζιανών σημείων ισορροπίας κατά Nash.Στο δεύτερο κομμάτι της διατριβής, μελετάμε δημοπρασίες προμηθειών (procurement auctions). Αρχικά, μελετάμε ένα πρόβλημα κάλυψης που προκύπτει σε γεωγραφικά μοντέλα αγορών πληθοπορισμού. Σχεδιάζουμε έναν φιλαλήθη μηχανισμό που πετυχαίνει έναν φραγμένο λόγο προσέγγισης σε σχέση με το βέλτιστο κόστος του δημοπράτη, βελτιώνοντας το καλύτερο γνωστό αποτέλεσμα της βιβλιογραφίας. Για την ίδια αντικειμενική συνάρτηση, σχεδιάζουμε έναν φιλαλήθες Πλήρως Πολυωνυμικού Χρόνου Σχήμα Προσέγγισης (FPTAS) για την περίπτωση εισόδων με σταθερό αριθμό εργασιών. Στη συνέχεια μελετάμε μια οικογένεια αντίστροφων δημοπρασιών στην οποία ο δημοπράτης έχει περιορισμένο προϋπολογισμό και οι πλειοδότες μπορούν να ανατεθούν να εκτελέσουν το καθήκον τους τμηματικά ή σε πολλά επίπεδα υπηρεσίας. Προτείνουμε δύο μηχανισμούς, έναν για κάθε περιβάλλον.
Game theoretic aspects of Blockchain technologies
(16-12-2022) Τζούβαλη, Ζωή-Μαρία; Tzouvali, Zoi-Maria; Athens University of Economics and Business, Department of Informatics; Stamoulis, Georgios; Voulgaris, Spyridon; Markakis, Evangelos
Τα τελευταία χρόνια, έχει κερδίσει έδαφος η τεχνολογία των αλυσίδων καταχώρισης (blockchains). Τα blockchains είναι ο βασικός μηχανισμός πίσω από τα κρυπτονομίσματα. Πρόκειται ουσιαστικά για κατανεμημένα λογιστικά βιβλία συναλλαγών. Με την ανάπτυξη αυτών των δικτύων κρυπτονομισμάτων έχουν προκύψει και προβλήματα παγνιοθεωρητικού ενδιαφέροντος. Πρώτα απ ’όλα, σε δημοφιλή blockchains όπως το Bitcoin και το Ethereum, μπορούμε να παρατηρήσουμε το γεγονός ότι η ζήτηση είναι πολύ υψηλή σε σύγκριση με τους περιορισμένους πόρους, δηλαδή την υπολογιστική ισχύ, που απαιτείται για την επεξεργασία αυτών των συναλλαγών. Αυτό οδήγησε στη χρήση μηχανισμών που ελέγχουν ποιες συναλλαγές θα εισέλθουν στην αλυσίδα και το τέλος(fee) που πρέπει να πληρώσουν οι δημιουργοί για αυτήν τη συμπερίληψη. Αυτοί οι μηχανισμοί ονομάζονται Transaction Fee Mechanisms. Στα δίκτυα Proof of Stake, όπως το Cardano και το Algorand, προκύπτουν άλλα ενδιαφέροντα ζητήματα. Σε τέτοια περιβάλλοντα είναι συχνή η ύπαρξη stake pools, όπου ουσιαστικά διάφοροι ενδιαφερόμενοι συγκεντρώνουν τα μερίδιά τους και την υπολογιστική τους ισχύ σε μια ενιαία οντότητα. Εδώ, καθίσταται επιτακτική η ανάγκη να υπάρχει ένα σύστημα δίκαιης κατανομής των ανταμοιβών (reward sharing scheme), προκειμένου τα ενδιαφερόμενα μέρη και να έχουν κίνητρα από τις ανταμοιβές και να αποθαρρύνονται από το σχηματισμό ενός ενιαίου pool. Για το πρώτο μέρος της διπλωματικής μας εργασίας, εξετάζουμε τη υπάρχουσα βιβλιογραφία σχετικά με θέματα θεωρίας παιγνίων στα blockchain πρωτόκολλα. Στο δεύτερο μέρος, εστιάζουμε στο Ethereum και στον νέο Transaction Fee Mechanism που έχει υιοθετήσει. Παρέχουμε μια εμπειρική ανάλυση πραγματικών δεδομένων του blockchain και στη συνέχεια προχωράμε στη διαμόρφωση του δικού μας περιβάλλοντος προσομοίωσης για την περαιτέρω αξιολόγηση της συμπεριφοράς του συστήματος.
Learning optimization algorithms with neural networks
(01/16/2019) Kostagiolas, Nikolaos Stefanos; Κωσταγιόλας, Νικόλαος Στέφανος; Athens University of Economics and Business, Department of Informatics; Κουτρούμπας, Κωνσταντίνος; Vassalos, Vasilios; Markakis, Evangelos
The field of Machine Learning owes much for its success to the ability of its algorithms to automatically discover patterns in data. However, these algorithms are still written by hand, despite them being similar in their core element, i.e. the usage of past gradients as a means of locally updating their search for optima. This commonality naturally leads to the debate of whether one could learn those algorithms, instead of designing them manually, i.e., can we learn the optimal parameters of an optimization algorithm that we would like to use for a machine learning problem? Should these “learned” algorithms perform better than their manually-designed counterparts, it could assist in lessening the time spent for hyperparameter tuning among ML practitioners and researchers alike, while also clearing the way for more generalized approaches in cases where an optimizer is needed. However, although recent approaches in the field of optimizer learning or, as it is commonly dubbed, in the field of meta-learning have resulted in learned optimizers that outperform their standard variants in tasks they have been trained on, they have showcased limited examples of their generalization capabilities, i.e. their ability to perform well in tasks outside of their training regime. The goal of the thesis is to explore the generalization capabilities of this form of meta-learning that usually comes in the form of a recurrent neural network optimizer, thus attempting to extend previous studies on learning optimization algorithms.The thesis also involves an implementation of the relevant experiments in PyTorch, a recently introduced deep learning framework that is widely popular throughout the research community and the code will be open-sourced in order to facilitate further contributions towards answering this research question.
Mechanism design and deep learning methodologies for reverse auctions
(2021) Milakotis, Dimitrios-Panagiotis; Μηλακώτης, Δημήτριος-Παναγιώτης; Athens University of Economics and Business, Department of Informatics; Toumpis, Stavros; Koutsopoulos, Iordanis; Markakis, Evangelos
In this thesis, we are concerned with the problem of designing reverse auctions. These auctions have seen a sharp increase in their popularity through the advent of online crowdsourcing platforms. First, we provide an overview of the existing analytical mechanisms which can be found in the literature. These are mechanisms for reverse auctions and cover several single-parameter and multi-parameter settings. Furthermore, we apply deep learning techniques for the problem of reverse auction design, by adapting an existing deep learning approach for regular forward auctions. We conclude that a direct transformation of the learning model from the forward to the reversed setting does not yield the desired results for settings with additive bidders and uniformly generated bids, and that further research is needed in order to fully evaluate the model in other settings.