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
本文研究了以差分隐私为视角的私人数据市场。我们提出了一个理论框架,通过设计拍卖机制,为数据所有者提供合理的隐私损失补偿,并与数据分析师的准确性和预算要求达成平衡。同时,我们证明了在这种场景下,经典的维克里竞拍具有较高的优化效果。
Nov, 2010
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。
Jun, 2021
该论文研究了在重复多单位拍卖中基于均匀定价的两个变体,并分析了在线和离线设置下的问题。作者提出了离线最优策略算法,并设计了高效的在线算法,同时通过博弈理论探究了平衡的质量。
May, 2023
本次研究讨论如何在无限供应的物品定价拍卖中最大化收益并保护买家隐私,提出了一种新算法,提供了不同隐私保证的指数权重元算法,对于收益函数的间断问题进行了缓解,其结构类似于指数机制,适用于买家分阶段进行竞标的情况,具有次线性的遗憾率。
May, 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
本文提出了一个数数据市场的基本模型,通过建立一个竞价机制来有效地买卖机器学习任务的训练数据,突破了训练数据不能定价,买卖难以衡量的难题,其中技术贡献包括公平性的计算及组合产品的机制拍卖方式。
May, 2018
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