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

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

在线竞价、拍卖、多槽位广告展示、出价调整以及成本效益性是本研究的主要关键词，通过引入多任务端到端出价调整方法 (MEBS)，我们在多槽位广告展示中证明了该方法的理论最优性，并通过离线和在线实验的广泛验证取得了 7.01% 的总商品交易额提升、7.42% 的投资回报率提升和 3.26% 的广告采购计数提升。

Mar, 2024

我们提出了一种新的数据挖掘范例，名为统计套利挖掘 (SAM)，旨在挖掘和利用基于 CPA (Cost Per Action) 的活动和基于 CPM (Cost Per Mille impressions) 的广告库之间的价格差异，同时结合功能最优化和基于组合的风险管理解决方案来实现广告投标操作的最优化和风险管理。我们的离线实验和在线 A/B 测试表明，在 RTB 的不同模型设置和市场环境中，我们的解决方案在充分利用套利方面非常有效。

Jun, 2015

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

本文提出了一个数学模型，该模型分配和定价未来的广告展示 —— 既可以是通过实时竞价在拍卖市场上出售，也可以是通过保证合同事先出售。通过价格差异化和最优分配，该模型可将两种方式无缝地组合在一起，从而最大化发布者的收入。通过 RTB 数据评估，我们发现，该模型根据竞争水平采用不同的分配和定价策略。

May, 2014

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

本文提出了一种多智能体强化学习架构以用于实时竞价广告，使用三个 Lagrange 乘数基于功能优化以及一个基准代理程序进行竞标环境设计。实验结果表明，相比其他代理程序，具有功能优化的代理程序在广告竞标过程中获胜速率和盈余率上有显著提升，表现出优异的表现和盈利性。

Jun, 2022

本论文提出了一个综合的学习出价框架 Bidding Machine，能够联合优化估算广告效用、预测市场价值、制定最佳竞标策略三个挑战，大大提高了广告活动的效益和利润。

Mar, 2018

本文提出一种新颖的博弈论机器学习方法，该方法自然地合并机器学习和博弈论，通过双层优化框架学习拍卖机制以实现经验收入最大化。实验证明，该方法能够比几个基线方法产生更有效的拍卖机制。

Jun, 2014