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

该研究针对公告价格拍卖中存在的策略买家，研究了收入最优化的学习算法，提出了一种新的算法，相较于之前最好的算法，在减小策略遗憾度方面有指数级改善，且表现优于现有技术。

Nov, 2014

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

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

利用可区分经济学、遗憾预测模型和一种能确保拍卖机制具有战略不可篡改性的拍卖接受规则，本研究提出了一种新方法来确保拍卖过程中买家被鼓励出真实估值，以实现最优且公平的拍卖结果，并通过数值实验证明了该方法的适用性和有效性。

May, 2024

本研究针对非近视竞标者在重复拍卖中可能会采取策略性出价以获得未来回合利益的情况下，研究了学习最优保留价格的问题和相关算法。我们提出的算法可以在市场较大（即没有竞标者出现在一组回合的固定比例）或竞标者不耐心的情况下（即他们将未来效用打折，其因子在 1 附近）实现小的后悔率，该方法精细控制每个标注者所可见的信息，并借鉴了差分隐私在线学习和联合差分隐私算法的技术。

Apr, 2018

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

本文研究一种情景，软件代理机器人实施后悔最小算法，代表他们的用户进行重复拍卖。研究一价和二价拍卖及其广义版本。使用理论分析和模拟，结果表明在二价拍卖中，玩家有激励向其自己的学习代理机器人提供不真实的估值，而在一价拍卖中，对于所有玩家真实报告其估值是一种占优策略。

Oct, 2021