本研究介绍了一种新型深度分配网络用于在线广告竞价优化，通过线上离线 A/B 测试以及生产线上环境使用，该方法在竞价成本和 ROI 方面显著优于之前的算法，并在 VerizonMedia DSP 上服务于每天数百亿的广告请求。

Jul, 2021

在线广告实时拍卖引起了人们对市场竞争建模的巨大关注，即出价预测。本文提出了一个结合深度学习和生存分析处理审查问题的深度景观预测模型，通过循环神经网络灵活地建模每个出价价格条件下的获胜概率，然后通过概率链规则进行出价预测。在两个大规模实际数据集上的实验中，我们的模型在各种指标下明显优于现有的最先进的解决方案。

May, 2019

本文描述了一种基于胜率的出价阴影算法 (WR)，使用修改的逻辑回归预测每种可能阴影出价价格的收益，可以快速最大化运行时效率，实现了比基准方法更高的广告主利润与更高的剩余价值，并可用于实时竞价系统。

Sep, 2020

本研究提出了一种基于强化学习的新型自适应风险感知竞价算法，旨在同时考虑估计不确定性和 DSP 的动态风险倾向，并通过公共数据集的广泛实验表明，该算法在实际 setting 中优于现有的最佳方法。

Dec, 2022

基于实时定价与上下文信息，本文提出了一种半参数模型，能够通过回归参数和残差分布来最大化收益，考虑到了细节特征。

Jan, 2019

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

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

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

本研究考虑广告主在参加重复竞价搜索拍卖时所面临的预算优化问题，将其作为带有被审查观测的马尔可夫决策过程（MDP）来建模，并提出基于 Kaplan-Meier 或产物极限估计器的学习算法。在微软广告中心的大量搜索竞拍数据上，将此算法与几种其他算法进行比较，证明其快速收敛的最佳性能。

Oct, 2012