我们研究了在线广告中的买方定价、多次交互和卖方算法，包括买方价值分布推断、策略性遗憾和卖方长期收入最大化。我们定义了策略性遗憾的自然概念，介绍了卖方算法，分析了买方的贴现能力。该文阐述了任何卖方算法在没有贴现时都将遭受线性策略性遗憾。

Nov, 2013

在单个竞标者对序列中的第一价格拍卖的后悔最小化问题中，我们通过完全特征化拍卖的透明度与极小极大后悔之间的关系给出了拍卖环境和竞标者估值之间的各种假设下的最小后悔率。这些极小极大比率揭示了透明度与环境性质之间相互作用对于在第一价格拍卖中学习如何进行最优竞标的速度产生的影响。

Jul, 2023

本文探究了重复拍卖中的拍卖设计，其中通过简单人工智能算法 (Q-learning) 进行拍卖。我们发现，在没有额外反馈的情况下，第一价格拍卖会导致默认勾结结果（竞投低于价值），而第二价格拍卖则不会。我们展示了这种差异是由第一价格拍卖中超越竞争者一个出价单位的刺激所驱动的。这在经过试验阶段之后便有助于实现对低竞标的重新协调。同时，我们还发现，谷歌在转向第一价格拍卖时引入的有关获胜的最低竞标的信息提供，增加了拍卖的竞争度。

Feb, 2022

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

该研究使用实验数据对 Nekipelov、Syrgkanis 和 Tardos（EC 2015）最近提出的基于遗憾的计量经济学方法进行了评估，发现尽管采用了较弱的遗憾假设，其结果至少与采用经典均衡假设获得的结果一样准确。其中，研究发现参与广告拍卖的高估价者理性地将遗憾降至最低，而低估价者的竞价则存在显著超额现象，作者建议进行修正这些偏差并调整基于遗憾的计量经济方法，以提高预测的准确性。

May, 2016

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

我们研究了重复的一阶售价拍卖和一般重复贝叶斯博弈的情况，在这种情况下，一个参与者（学习者）采用了一个无悔学习算法，而另一个参与者（优化者）在了解学习者的算法的情况下，策略化地追求自己的效用最大化。 对于一类被称为基于均值的无悔学习算法，我们证明：（i）在标准（即完全信息）的一阶售价拍卖中，优化者不能获得超过 Stackelberg 效用的效用 -- 这是文献中的标准基准，但是（ii）在贝叶斯一阶售价拍卖中，存在优化者可以获得远高于 Stackelberg 效用的实例。 另一方面，Mansour 等人（2022）证明了一类更复杂的算法，称为无多面体交换后悔算法可以将优化者的效用限制在任意重复贝叶斯博弈（包括贝叶斯一阶售价拍卖）的 Stackelberg 效用上，并提出是否有必要使用无多面体交换后悔算法来限制优化者的效用。对于一般的贝叶斯博弈，在一个合理且必要的条件下，我们证明了无多面体交换后悔算法确实是将优化者的效用限制在 Stackelberg 效用上的必要条件，从而回答了他们的开放性问题。对于贝叶斯一阶售价拍卖，我们通过利用贝叶斯一阶售价拍卖的结构给出了一个简单的改进标准算法来最小化多面体交换后悔。

Feb, 2024

自动投标算法是广告主在在线广告平台上优化广告活动的方式之一，本研究通过设计在线自动投标算法来实现广告主在预算和投资回报率限制下的价值最大化，研究还包括竞标优化、价值分布和成交价相关性等方面。

Apr, 2024

本文开发了一种理论，可以在广义第二价格拍卖中从观察到的数据中推断出玩家估值，而不需要依赖于纳什均衡的假设，并展示了如何在一些 no-regret learning 算法的假设下推断玩家的价值，这对于在拍卖数据上测试任何学习理论行为模型前的重要步骤。

May, 2015

本文提出了针对单个买方的拍卖问题，探讨了在买方使用 no-regret 学习算法的情况下，卖方进行售价策略和收益最大化的方法。作者通过详细的论证和实验对不同算法和竞标策略下的最优拍卖方式进行了完整的刻画和比较。

Nov, 2017