Jan, 2022

面向不确定性的安全在线出价优化：考虑回报率和预算限制

PDF
TL;DR本文研究了组合赌博算法在广告投放中的应用，着重探讨了在不确定预算与回报投资限制的情况下进行广告出价的优化问题，提供了优化解决方案并通过实验比较了算法在现实世界数据生成的情况下的表现。
发现论文，激发创造
  • 具有预算和 ROI 约束的非真实拍卖的无悔算法

    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

  • 基于课程引导的贝叶斯强化学习的 ROI 受限出价

    该篇论文描述了如何使用部分可观测马尔可夫决策过程方法做到在高度动态的广告市场中，自适应平衡 ROI 约束和目标优化的需求并提出了一种调整策略的贝叶斯强化学习框架。

    Jun, 2022

  • 安全约束下的线性随机赌博机

    本文提出了一种基于 UCB 策略的新算法 Safe-LUCB，用于解决多臂赌博问题中考虑安全限制的约束，该算法具有探索和利用两个阶段，并控制遗憾值增长，提供了一般遗憾上界及与最佳行动位置有关的问题相关遗憾上界。

    Aug, 2019

  • 未知约束的在线学习

    在线学习中最小化后悔，满足安全约束的广义元算法，估计未知的安全约束，并将在线学习预测转化为满足未知安全约束的预测，同时使用预测误差、各类模型的复杂度和新的复杂度度量来界定算法的后悔上限，同时提供了线性约束情况下的具体算法，使用比例变换平衡乐观探索和悲观约束满足，最小化根号 T 的后悔。

    Mar, 2024

  • 关于安全的安全贝叶斯优化

    研究提出了一种基于安全保证的 SafeOpt 算法的改进，通过使用最新的高斯过程界限来保留所有的理论保证，并且引入了 Lipschitz-only Safe Bayesian Optimization 算法，它在没有 RKHS 边界假设的情况下保证了安全性，并且在多种函数类上表现出优于现有算法的性能，同时还提出了 Lipschitz-only GP-UCB 来扩展算法在高维问题上的适用性。

    Mar, 2024

  • 基于在线符合预测的正式安全保证的贝叶斯优化

    本文提出了一种基于 Bayesian optimization 和在线 conformal prediction 的方法，称为 SAFE-BOCP，可以保证不会选择任何不安全的解决方案，同时具有高灵活性和实验验证。

    Jun, 2023

  • 安全多任务贝叶斯优化

    将健壮的高斯过程均匀误差边界扩展到多任务设置，通过后验超参数分布的马尔科夫链蒙特卡罗方法计算置信区间，应用贝叶斯优化来安全优化系统并结合模型的测量数据，仿真表明与其他最先进的安全贝叶斯优化方法相比，优化过程可以显著加速，取决于模型的准确性。

    Dec, 2023

  • 序列有预算学习的置信度预算匹配

    研究决策、预算有限的情况下，如何优化多臂赌博、线性赌博和强化学习等问题，通过自信度与预算匹配（CBM）的方法来解决不确定性问题。

    Feb, 2021

  • 具有单调性约束的安全贝叶斯优化的无懊悔算法

    我们研究如何在未知安全函数约束下，顺序最大化未知函数的问题，并提出了一种算法来实现亚线性遗憾的搜索

    Jun, 2024

  • 多平台广告市场中使用非 IC 拍卖的预算管理

    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