WWWJan, 2019

在线学习用于衡量广告拍卖中的激励兼容性

PDF
TL;DR本文旨在通过黑盒方法探讨计算竞拍机制中的端到端激励兼容性（IC）遗憾，提供一种确定可靠估计 IC 遗憾的度量和最小化到达 - 准确估计所需时间的方法。我们设计了面向广告主问题和需求方平台问题的 $Regret-UCB$ 算法，并验证了模拟实验的理论结果，从而扩展了我们的 $Regret-UCB$ 算法以实现更好的 IC 遗憾误差。
incentive compatibilityauction mechanismonline learningregret-ucb algorithmic regret estimation
发现论文，激发创造
  • 具有预算和 ROI 约束的非真实拍卖的无悔算法

    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

  • 激励兼容的赌博算法：不再依赖重要性加权

    提出了一种优化算法解决自利代理人可能不真实声明其偏好的问题，并达到接近最佳后悔度的保证，尤其在信息完全与朴素赌博设置中表现出色。

    May, 2024

  • 多平台广告市场中使用非 IC 拍卖的预算管理

    本文提出了一种针对在线广告买卖市场的方法，以最大化广告主的总实用效益且满足预算限制，解决预算限制下不确定的、可能存在证明问题的一组拍卖中的投标最优策略问题，并对在线出价的情况进行了调查，算法在完全信息情况下的拍卖后悔为 $O (T^{3/4})$。我们证明了此方法优于现有的适应性 pacing 算法的合成和真实数据集上的累计后悔。

    Jun, 2023

  • 上下文环境中的二价点击计费竞拍在线学习

    研究在线学习在上下文广告竞拍中的应用，通过算法获得最小化收入损失的目标，针对点击率进行估计，提出了两种有效的上下文拍卖算法，并通过实验验证了其有效性和超凡性能。

    Oct, 2023

  • 广告竞拍中点击率预测的改进在线学习算法

    我们研究了在线学习问题中的广告拍卖收入最大化问题，重点关注广告主的战略行为、点击率和动态估值对机制表现的影响。

    Feb, 2024

  • 自私专家的在线预测

    本文研究带有机构的二元预测问题，提出了一个模型并采用激励兼容算法设计方法，证明了对于绝对损失函数，IC 算法具有很好的性能保证。同时，通过证明 IC 和非 IC 算法的下界，明确了自私专家在线预测性能与诚实专家在线预测性能之间的差异。

    Feb, 2017

  • 基于遗憾的计量经济学的实验评估

    该研究使用实验数据对 Nekipelov、Syrgkanis 和 Tardos（EC 2015）最近提出的基于遗憾的计量经济学方法进行了评估，发现尽管采用了较弱的遗憾假设，其结果至少与采用经典均衡假设获得的结果一样准确。其中，研究发现参与广告拍卖的高估价者理性地将遗憾降至最低，而低估价者的竞价则存在显著超额现象，作者建议进行修正这些偏差并调整基于遗憾的计量经济方法，以提高预测的准确性。

    May, 2016

  • 无悔和奖励兼容的在线学习

    本研究旨在应用赌注机制的类型建立算法，使学习算法对于观察到的事实的最佳专家后悔，并保证每个专家都以其真实信念的方式报告其每个事件的实现，从而实现在线学习环境中的学习。

    Feb, 2020

  • 不知道自己价值的情况下学习投标

    在复杂拍卖场景中，我们提出了一种在线学习方法，通过利用投标方的效用结构和部分反馈，为拍卖算法提供对最佳固定竞标的遗憾率，这对于行动空间的依赖程度来说比应用通用的贝叶斯智能带宽算法要快指数级收敛，同时又几乎等同于在完全信息环境下所实现的收敛，这些结果是通过分析这一新的基于反馈的在线学习方法实现的。

    Nov, 2017

  • 关于具有多臂赌博反馈的激励兼容在线学习中确切真实性的价格：WSU-UX 的遗憾下界

    自利的专家问题中希望设计出一种激励兼容（IC）算法，使得每个专家最佳策略是真实报告，同时确保算法与最佳信念专家的遗憾是亚线性的。

    Apr, 2024