本研究运用学习算法优化电子市场上二价拍卖的保留价,实现收益最大化。经过理论探讨与实验展示,证明该算法有效性高。
Oct, 2013
本研究针对非近视竞标者在重复拍卖中可能会采取策略性出价以获得未来回合利益的情况下,研究了学习最优保留价格的问题和相关算法。我们提出的算法可以在市场较大(即没有竞标者出现在一组回合的固定比例)或竞标者不耐心的情况下(即他们将未来效用打折,其因子在 1 附近)实现小的后悔率,该方法精细控制每个标注者所可见的信息,并借鉴了差分隐私在线学习和联合差分隐私算法的技术。
Apr, 2018
本文以动态方法代替静态均衡,研究了英国拍卖和其他拍卖形式,其中提出了 Utility-Target auction,并得出了许多动态执行过程的结论。
Apr, 2013
本文提出了针对单个买方的拍卖问题,探讨了在买方使用 no-regret 学习算法的情况下,卖方进行售价策略和收益最大化的方法。作者通过详细的论证和实验对不同算法和竞标策略下的最优拍卖方式进行了完整的刻画和比较。
Nov, 2017
本研究探讨广告拍卖问题,使用机器学习中预测平方损失的标准设置,将储备价优化问题进行了简化,首次形式上将收益与标准机器学习模型的质量联系起来
Jun, 2017
本文首次研究了非平稳环境下的在线二价拍卖问题,提出一种算法并取得了接近最优的非平稳后悔度。
Nov, 2019
本文提出了一种学习策略,通过观察过去的销售数据来设定保留价格,以最小化对收入的后悔,同时本文也探讨了市场噪声分布已知和未知情况下的学习政策和保留价格的设计。
Feb, 2020
本文探究了重复拍卖中的拍卖设计,其中通过简单人工智能算法 (Q-learning) 进行拍卖。我们发现,在没有额外反馈的情况下,第一价格拍卖会导致默认勾结结果(竞投低于价值),而第二价格拍卖则不会。我们展示了这种差异是由第一价格拍卖中超越竞争者一个出价单位的刺激所驱动的。这在经过试验阶段之后便有助于实现对低竞标的重新协调。同时,我们还发现,谷歌在转向第一价格拍卖时引入的有关获胜的最低竞标的信息提供,增加了拍卖的竞争度。
Feb, 2022
本论文提出了一种新的拍卖模型,通过使用拍卖者在拍卖时获得的某些侧面信息来区分事先相同的竞标人,通过拓展 Dhangwatnotai et al. 和 Cole 和 Roughgarden 的样本复杂度方法来获得了几乎匹配的上限和下限,使用经验风险最小化技术来改进 Cole 和 Roughgarden 的样本复杂度界限。
Nov, 2015
通过两个步骤,我们提出了一个框架来证明从样本中学习最优拍卖问题的多项式样本复杂性界限,该框架捕捉了包括匿名和非匿名项目和捆绑定价在内的所有最突出的简单拍卖类型,并具有低维度的收益函数。
Apr, 2016