本文提出了一种黑盒审核算法检测招聘广告投放中的歧视现象的新方法，通过对两个公司的类似工作广告的同时投放来控制工作资质的差异，验证了 Facebook 招聘广告投放的性别偏差，证明了该现象不能通过资质差异来解释，而 LinkedIn 广告投放则未出现此类现象。

Apr, 2021

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

在线广告拍卖的学习模型揭示了竞价人行为对关键绩效指标的影响，包括广告槽位置、竞争广告商数量和身份、广告商接收的反馈以及支付规则等特征。同时证明了在更现实的拍卖环境中，即使竞标人来自同一人群，提供 “软底价” 也能提升关键绩效指标。

Jul, 2023

本文提出了一种在线学习框架，利用多维度的决策变量、赌博反馈和长期不确定性约束，帮助广告客户在非平稳采购结果的真实赌博反馈环境中动态优化广告平台的杠杆决策，取得低损失结果。

Jul, 2023

本研究提出了一种算法框架，使得在通过类似赌博机学习用户喜好进行内容个性化推荐过程中能够控制偏差和歧视，并通过实验验证了该算法的可行性和效果。

Feb, 2018

本文研究广告拍卖中各利益相关者的权衡。我们讨论了基于利益相关者效用值的线性组合优化问题及其解决方案，同时通过模拟和实际数据分析探究了不同广告数量对各方效用的影响。最后，我们探究了组合型广告格式的不同竞价规则，并发现了其中的问题和限制。

Apr, 2014

电子商务平台上的广告拍卖和分配过程对广告收入和总商品交易量有直接影响，存在两个问题：广告拍卖阶段不考虑外部因素（例如实际显示位置和上下文对广告点击率的影响），广告分配阶段无法实现广告的激励兼容性。以往的研究多关注其中一个阶段，忽视了这个两个阶段的问题，从而导致了次优的结果。

Jan, 2024

基于预测区间的方法，提出了符合在线拍卖设计 (COAD)，以量化竞标者价值的不确定性为基础，实现在线拍卖的最大化收益。COAD 结合了竞标者和物品特征，并利用历史数据提供一种激励兼容的机制。与传统在线拍卖方法不同，COAD 采用无分布、基于预测区间的方法，使用一种新颖的符合预测技术。这种方法确保我们的机制所期望的收益至少能达到最优机制生成的收益的一个恒定比例。此外，COAD 可以使用各种现代机器学习方法，包括随机森林、核方法和深度神经网络，预测竞标者的价值，并确保在任何有限的历史数据样本下有良好的收益表现。此外，COAD 基于竞标者的估值下限引入了竞标者特定的保留价格，不同于文献中常用的统一保留价格。我们通过广泛的模拟和真实数据应用验证了我们的理论预测。所有使用 COAD 和重现结果的代码都可以在 GitHub 上获得。

May, 2024

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

本文针对在线广告中的自动竞价进行了研究，提出了一种拥有加速法的拍卖家族，以改善竞价市场中的福利和收入。实证研究结果表明，适当选择加速法的权重可以改善市场福利和收入。

Mar, 2021