論文の概要: Scalable Bid Landscape Forecasting in Real-time Bidding
- arxiv url: http://arxiv.org/abs/2001.06587v1
- Date: Sat, 18 Jan 2020 03:20:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 05:02:32.235428
- Title: Scalable Bid Landscape Forecasting in Real-time Bidding
- Title（参考訳）: リアルタイム入札におけるスケーラブル入札景観予測
- Authors: Aritra Ghosh, Saayan Mitra, Somdeb Sarkhel, Jason Xie, Gang Wu,
Viswanathan Swaminathan
- Abstract要約: プログラム広告では、広告スロットは通常、第二価格(SP)オークションを使ってリアルタイムで販売される。
SPでは、1つの項目に対して、各入札者の支配的な戦略は、入札者の視点から真の価値を入札することである。
本稿では,ヘテロセダスティックな完全パラメトリック・レグレッション・アプローチと混合密度・レグレッション・ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 12.692521867728091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In programmatic advertising, ad slots are usually sold using second-price
(SP) auctions in real-time. The highest bidding advertiser wins but pays only
the second-highest bid (known as the winning price). In SP, for a single item,
the dominant strategy of each bidder is to bid the true value from the bidder's
perspective. However, in a practical setting, with budget constraints, bidding
the true value is a sub-optimal strategy. Hence, to devise an optimal bidding
strategy, it is of utmost importance to learn the winning price distribution
accurately. Moreover, a demand-side platform (DSP), which bids on behalf of
advertisers, observes the winning price if it wins the auction. For losing
auctions, DSPs can only treat its bidding price as the lower bound for the
unknown winning price. In literature, typically censored regression is used to
model such partially observed data. A common assumption in censored regression
is that the winning price is drawn from a fixed variance (homoscedastic)
uni-modal distribution (most often Gaussian). However, in reality, these
assumptions are often violated. We relax these assumptions and propose a
heteroscedastic fully parametric censored regression approach, as well as a
mixture density censored network. Our approach not only generalizes censored
regression but also provides flexibility to model arbitrarily distributed
real-world data. Experimental evaluation on the publicly available dataset for
winning price estimation demonstrates the effectiveness of our method.
Furthermore, we evaluate our algorithm on one of the largest demand-side
platforms and significant improvement has been achieved in comparison with the
baseline solutions.
- Abstract（参考訳）: プログラム広告では、広告スロットは通常、第2価格(sp)オークションでリアルタイムに販売される。
最高入札広告主は勝つが、2番目に高い入札(勝利価格として知られる)のみを支払う。
SPでは、各入札者の支配的な戦略は、入札者の視点から真の価値を入札することである。
しかし、予算制約のある現実的な環境では、真の価値の入札は準最適戦略である。
したがって、最適な入札戦略を考案するには、勝つ価格分布を正確に学ぶことが最も重要である。
さらに、広告主に代わって入札を行うデマンドサイドプラットフォーム(dsp)は、オークションに勝った場合の勝利価格を観察します。
競売に負けた場合、DSPは入札価格を未知の当選価格の低いバウンドとしてのみ扱うことができる。
文献では、一般的に検閲された回帰は、そのような部分的に観察されたデータをモデル化するために使用される。
検閲回帰における一般的な仮定は、勝利価格が固定分散(homoscedastic)の一様分布(ほとんどがガウス分布)から引き出されるということである。
しかし、実際にはこれらの仮定はしばしば違反する。
我々はこれらの仮定を緩和し、混合密度検閲ネットワークと同様に、ヘテロセダスティック完全パラメトリック回帰手法を提案する。
我々のアプローチは、検閲された回帰を一般化するだけでなく、任意の分散実世界のデータをモデル化する柔軟性も提供する。
本手法の有効性を実証するため,価格推定のための公開データセットの実験的評価を行った。
さらに,当社のアルゴリズムを需要側プラットフォームとして評価し,ベースラインソリューションと比較して大幅な改善が達成されている。
関連論文リスト
- Cost-Control in Display Advertising: Theory vs Practice [0.2574913881702984]
ディスプレイ広告では、広告主は予算と利益に対する制約のあるマーケティング目標を達成することを望んでいる。
これは通常、制約の下での全ユーティリティを最大化する最適化問題として定式化される。
この最適化は、双対空間におけるオンライン方式で行われ、入場広告の競売には、前回の競売の結果に基づいて、最適な入札式を用いて入札を行う。
このアプローチは理論上は正しいが、実際には双対変数は最初から最適ではなく、時間とともに収束する。
論文 参考訳（メタデータ） (2024-09-05T19:22:33Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Advancing Ad Auction Realism: Practical Insights & Modeling Implications [2.8413290300628313]
本稿では,広告主を敵の帯域幅アルゴリズムが支配するエージェントとしてモデル化することで,現代の広告オークションに対する有用な洞察を得ることができることを示す。
ソフトフロアは適切な選択されたリザーブ価格よりも低い収益をもたらし、単一のクエリに注意を向けることさえできる。
論文 参考訳（メタデータ） (2023-07-21T17:45:28Z) - Adaptive Risk-Aware Bidding with Budget Constraint in Display
Advertising [47.14651340748015]
本稿では,強化学習による予算制約を考慮した適応型リスク対応入札アルゴリズムを提案する。
リスク・アット・バリュー(VaR)に基づく不確実性とリスク傾向の本質的関係を理論的に明らかにする。
論文 参考訳（メタデータ） (2022-12-06T18:50:09Z) - Leveraging the Hints: Adaptive Bidding in Repeated First-Price Auctions [42.002983450368134]
プライスオークションでの競売の仕方について検討する。
第二価格のオークションとは異なり、個人価値を真に入札することはもはや最適ではない。
1つは1つの点予測が可能であり、もう1つはヒント間隔が利用可能である。
論文 参考訳（メタデータ） (2022-11-05T19:20:53Z) - A Reinforcement Learning Approach in Multi-Phase Second-Price Auction
Design [158.0041488194202]
多相第2価格オークションにおけるリザーブ価格の最適化について検討する。
売り手の視点からは、潜在的に非現実的な入札者の存在下で、環境を効率的に探索する必要がある。
第三に、売り手のステップごとの収益は未知であり、非線形であり、環境から直接観察することさえできない。
論文 参考訳（メタデータ） (2022-10-19T03:49:05Z) - Fast Rate Learning in Stochastic First Price Bidding [0.0]
ファーストプライスのオークションは、プログラム広告におけるビックレーのオークションに基づく伝統的な入札アプローチを大きく置き換えている。
対戦相手の最大入札分布が分かっている場合, 後悔度を著しく低くする方法を示す。
我々のアルゴリズムは、様々な入札分布の文献で提案されている選択肢よりもはるかに高速に収束する。
論文 参考訳（メタデータ） (2021-07-05T07:48:52Z) - Almost Tight L0-norm Certified Robustness of Top-k Predictions against
Adversarial Perturbations [78.23408201652984]
トップk予測は、マシンラーニング・アズ・ア・サービス、レコメンダ・システム、Web検索など、多くの現実世界のアプリケーションで使用されている。
我々の研究はランダム化平滑化に基づいており、入力をランダム化することで、証明可能なロバストな分類器を構築する。
例えば、攻撃者がテスト画像の5ピクセルを任意に摂動できる場合に、ImageNet上で69.2%の認定トップ3精度を達成する分類器を構築することができる。
論文 参考訳（メタデータ） (2020-11-15T21:34:44Z) - A novel auction system for selecting advertisements in Real-Time bidding [68.8204255655161]
リアルタイム入札(Real-Time Bidding)は、インターネット広告システムで、近年非常に人気を集めている。
本稿では、経済的な側面だけでなく、広告システムの機能にかかわる他の要因も考慮した、新たなアプローチによる代替ベッティングシステムを提案する。
論文 参考訳（メタデータ） (2020-10-22T18:36:41Z) - Sharp Statistical Guarantees for Adversarially Robust Gaussian
Classification [54.22421582955454]
逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。
結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
論文 参考訳（メタデータ） (2020-06-29T21:06:52Z) - Optimal Bidding Strategy without Exploration in Real-time Bidding [14.035270361462576]
予算制約によるユーティリティの最大化は、リアルタイム入札(RTB)システムにおける広告主の主要な目標である。
それまでの作品は、検閲された国家の困難を和らげるために競売に敗れたことを無視していた。
本稿では,リアルタイムトラフィックで観測される真の分布の挙動を模倣するために,最大エントロピー原理を用いた新しい実用的枠組みを提案する。
論文 参考訳（メタデータ） (2020-03-31T20:43:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。