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

本文讨论了如何利用多智能体强化学习进行实时广告优化，提出了一种聚类算法分配策略代理，并通过行业实验表明，与单一代理和实验算法相比，基于聚类的竞价模型具有更好的效果。

Feb, 2018

通过离线动态规划方案，设计了在线学习算法以解决多次多单位逐标付款拍卖中的出价问题，并获得关于遗憾上界的结果，研究表明这种拍卖方式产生更高的收入。

Jul, 2023

本文探讨了在电子商务平台中将战略优化方法引入搜索广告领域，重点关注广告排名和竞价机制。通过结合强化学习和进化策略，我们提出了一个动态模型，能够根据用户交互的变化优化广告成本、用户相关性和平台收益的平衡。我们的研究结果表明，在广告投放准确性和成本效率方面取得了显著的改进，证明了该模型在实际场景中的适用性。

May, 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

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

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

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

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