KDDJun, 2021

神经拍卖：端到端学习用于电子商务广告拍卖的拍卖机制

PDF
TL;DR该研究提出 Deep Neural Auctions (DNAs) 模型，通过设计可微分模型解决了拍卖机制中的离散排序操作问题，实现了端到端的拍卖学习，提高了基于电商广告的多种性能指标的效果。
发现论文，激发创造
  • 基于深度 GSP 拍卖的电子商务广告多绩效优化

    本文提出了一种名为 Deep GSP auction 的新拍卖机制，它利用深度学习在 GSP 拍卖框架下设计新的排名得分函数，实现了对多种、动态、难以估计、甚至矛盾的性能指标进行优化，并在领先的电子商务广告平台上进行了广泛的实验评估，证明了其效果优于现有的拍卖机制。

    Dec, 2020

  • NMA: 带外部性的神经多槽位拍卖在线广告

    本文提出了一种新的拍卖机制 —— 神经多插槽拍卖（NMA），通过上下文感知列表式预测模块和深度排序模块有效地对广告的全球影响进行建模，同时设计一个辅助损失以有效地降低社会福利的下降，实现了最大化收入和平衡的社会福利，证实了 NMA 在收入和社会福利方面具有更好的性能。

    May, 2022

  • 深度学习优化拍卖：可微分经济学的进展

    使用深度学习工具，将拍卖建模为多层神经网络，将最优拍卖设计作为约束学习问题，并演示如何使用标准机器学习管道解决此问题。

    Jun, 2017

  • 拍卖学习作为双人博弈

    本文探讨了拍卖设计中激励兼容的问题，提出了使用神经网络和拉格朗日乘数法来实现优化拍卖的新思路，并将其形式化为双人博弈模型。

    Jun, 2020

  • 基于神经网络的自动化机制设计

    本文介绍的是一个名为 MenuNet 的神经网络框架，它可以自动化地设计出最优拍卖机制，且在实验中得到的机制都是 incentive-compatible 的，能够在多项收入最优设计中应用，并经过理论证明的机制是最优的。

    May, 2018

  • 用于拍卖设计的置换等变神经网络结构

    通过使用具有置换等变性的神经结构，建立一个新的拍卖设计方法，提高对拍卖设计的预期收益和一般化性能。

    Mar, 2020

  • PreferenceNet: 深度学习中将人类偏好编码于拍卖设计中

    本研究提出了 PreferenceNet，一种基于神经网络的拍卖机制，并利用人类提供的样本对所提出的机制进行了约束编码。同时，该研究引入了一种新的指标来评估拍卖分配的社会可取性，并通过人类主体研究验证了方法的有效性。

    Jun, 2021

  • 无需出价，无悔选择：基于成对反馈的数字商品与数据竞拍机制

    本文提出了一种使用配对比较的机制设计，该机制设计针对变量质量的定制商品，在任何具有定制商品的场景中具有广泛适用性，并在多标签毒性注释数据上进行了实验。

    Jun, 2023

  • 菜单式、无策略性、多竞标人拍卖的 GemNet: 基于深度学习的实现

    用可微经济学和深度学习实现自动机制设计，引入 GEneral Menu-based NETwork (GemNet) 来解决多竞标者、一般和全面策略性（SP）拍卖的学习问题，通过学习竞标者独立的菜单，使用 Lipschitz 平滑性确保菜单完整性，GemNet 能够学习出收益更高、确切策略性的拍卖，并且具有较强的可解释性。

    Jun, 2024

  • 深度自动化机制设计 --- 用于广告竞价和分配的新闻推送

    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