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

本文研究了协同在线竞标算法在具有预算限制的重复次数第二价格拍卖中的效率，提出保证每个客户比独立竞标获得更高效用价值的算法，并以在线学习和均衡分析为技术支持，实现与多维基准的竞争。

Jun, 2023

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

本研究探讨了如何学习在首价拍卖中进行出价，针对这一问题开发了首个达到最小化一般策略集的竞标算法，能够显著提升现有竞标算法的效果。这一算法利用专家策略和层级策略，取得了不错的效果，在三个真实场景的测试中表现出了优越性。

Jul, 2020

该研究提出了一种名为 HiBid 的层次离线深度强化学习框架，用于在线展示广告平台的交叉渠道受限出价及预算分配问题，并通过大规模日志数据和在线 A/B 测试验证了其在点击次数、CPC 满意度比率和投资回报率方面优于其他六种基准模型，并应用于美团广告平台服务数以万计的广告商。

Dec, 2023

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

该研究报告探讨了随着广告形式的变革，GSP 拍卖架构在计算价格时所遇到的问题，并提出了一种重新设计搜索广告销售系统的机制来解决这些问题。

Jan, 2017

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