用近似出价预测进行收入优化
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
该研究针对公告价格拍卖中存在的策略买家,研究了收入最优化的学习算法,提出了一种新的算法,相较于之前最好的算法,在减小策略遗憾度方面有指数级改善,且表现优于现有技术。
Nov, 2014
学习在重复的一价拍卖中进行投标是博弈论和机器学习之间的一个基本问题,我们提出了一种新颖的凸形式用于分析一价拍卖中的纯策略投标,并证明了我们的算法可以有效鼓励拍卖买家真实报价并且无法被巧言利用。
Feb, 2024
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
本研究探讨了如何学习在首价拍卖中进行出价,针对这一问题开发了首个达到最小化一般策略集的竞标算法,能够显著提升现有竞标算法的效果。这一算法利用专家策略和层级策略,取得了不错的效果,在三个真实场景的测试中表现出了优越性。
Jul, 2020
自动投标算法是广告主在在线广告平台上优化广告活动的方式之一,本研究通过设计在线自动投标算法来实现广告主在预算和投资回报率限制下的价值最大化,研究还包括竞标优化、价值分布和成交价相关性等方面。
Apr, 2024
本文研究计算广告中的关键问题之一:在线广告拍卖中点击率和转化率的预测,分析了前沿的转化建模方法中存在的非均匀误差成本问题,提出基于商业价值权重日志损失的模型训练方法,实验结果表明,该方法可以显著提高模型的离线和在线性能表现。
Mar, 2016
本文提出了一个基于未完全观测数据的 heteroscedastic fully parametric censored regression 方法和混合密度 censored 网络,用于估计广告拍卖中的赢价分布,并在实验上证明了该方法的有效性。
Jan, 2020