本文概述了计算广告的新领域所涉及的基本基础设施、算法和技术解决方案，其中涵盖了实时竞价、数字营销、自动化、信息检索、广告欺诈检测等主题。
Oct, 2016
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
本文提供对 RTB 新兴的印象销售基础架构的实证分析和测量，展示了其出价行为，并指出时间依赖模型、优化算法等问题未得到充分考虑。
Jun, 2013
本研究透過評估使用者行為不確定性和拍賣競爭中的成本不確定性來為 RTB 顯示廣告中的不確定性建立數學模型，推導出了兩種風險意識下的出價策略，此模型可有效提高广告投放的利润。
Jan, 2017
本文探讨了在实时竞价广告投放中，利用强化学习算法，通过状态空间表示广告拍卖信息和实时参数，在竞价过程中动态分配预算，学习最优的出价策略以最大化广告业绩，并通过神经网络解决了实际应用中的可扩展性问题。
本文从计算的角度综述了 AI 可信赖性的最新技术，其中包含了六个方面：安全、非歧视与公平、可解释性、隐私、责任与审计能力以及环境福祉，旨在帮助读者理解可信赖 AI 的最新技术以及现实系统的应用。
Jul, 2021
本文提出了一种基于强化学习的方法解决了在线广告拍卖中的实时竞标问题，特别是在搜索广告拍卖中针对多关键字的竞标策略提出了一个控制模型。
本文对基于人工智能技术的系统的可验证性与数据存在的偏差问题进行了讨论，并提出了可信 AI 所需满足的一些属性和模型。
Jun, 2022
本文提出一种新的投标策略，通过考虑广告对用户的实际影响来决定出价，并证明采用基于广告性能提升的投标策略可以使广告主获得更多的行动事件。并通过实际广告活动进行了盲目的 A/B 测试，证明了这一策略的实际性能提升，并探讨了归因模型与投标策略之间的关系。
Jul, 2015
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