論文の概要: Bid Shading in The Brave New World of First-Price Auctions
- arxiv url: http://arxiv.org/abs/2009.01360v1
- Date: Wed, 2 Sep 2020 21:48:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 18:51:46.272126
- Title: Bid Shading in The Brave New World of First-Price Auctions
- Title（参考訳）: ファーストプライスオークションの新世界におけるバイドシェーディング
- Authors: Djordje Gligorijevic, Tian Zhou, Bharatbhushan Shetty, Brendan Kitts,
Shengjun Pan, Junwei Pan, Aaron Flores
- Abstract要約: バイドシェーディング(Bid shading)は、オークションシステムにおける過払いを防ぐ技術として知られている。
本稿では,非検閲オンライン第一価格広告オークションにおける最適入札シェーディングをモデル化する機械学習手法を提案する。
- 参考スコア（独自算出の注目度）: 10.437496902575784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online auctions play a central role in online advertising, and are one of the
main reasons for the industry's scalability and growth. With great changes in
how auctions are being organized, such as changing the second- to first-price
auction type, advertisers and demand platforms are compelled to adapt to a new
volatile environment. Bid shading is a known technique for preventing
overpaying in auction systems that can help maintain the strategy equilibrium
in first-price auctions, tackling one of its greatest drawbacks. In this study,
we propose a machine learning approach of modeling optimal bid shading for
non-censored online first-price ad auctions. We clearly motivate the approach
and extensively evaluate it in both offline and online settings on a major
demand side platform. The results demonstrate the superiority and robustness of
the new approach as compared to the existing approaches across a range of
performance metrics.
- Abstract（参考訳）: オンラインオークションはオンライン広告において中心的な役割を果たしており、業界が拡張性と成長を遂げる主な理由の1つである。
第2価格から第1価格のオークションタイプの変更など、オークションの組織化に関する大きな変化により、広告主と需要プラットフォームは、新たな揮発性環境に適応せざるを得なくなった。
バイドシェーディングは、最初の価格オークションにおける戦略均衡を維持するのに役立つオークションシステムにおける過払いを防ぐ技術として知られており、最大の欠点の1つに対処している。
本研究では,非検閲オンライン広告オークションにおける最適な入札シェーディングをモデル化する機械学習手法を提案する。
当社は、このアプローチを明らかに動機付け、主要な需要サイドプラットフォーム上で、オフラインとオンラインの両方で広く評価しています。
結果は、さまざまなパフォーマンス指標にわたる既存のアプローチと比較して、新しいアプローチの優位性と堅牢性を示している。
関連論文リスト
- Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。
我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
論文 参考訳（メタデータ） (2024-11-20T18:06:55Z) - 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) - An Efficient Deep Distribution Network for Bid Shading in First-Price
Auctions [10.180752196357805]
オープン(非検閲)およびクローズド(検閲)オンラインファーストプライスオークションの両方において、最適な入札を行うための新しいディープ・ディストリビューション・ネットワークを導入する。
提案アルゴリズムは,動作毎の余剰と有効コスト(eCPX)の両方の観点から,従来の最先端アルゴリズムよりも優れている。
オンラインA/Bテストによると、広告主のROIは、インプレッションベース(CPM)、クリックベース(CPC)、コンバージョンベース(CPA)の各キャンペーンで+2.4%、+2.4%、+8.6%向上している。
論文 参考訳（メタデータ） (2021-07-12T22:44:39Z) - PreferenceNet: Encoding Human Preferences in Auction Design with Deep
Learning [31.509832387330928]
制約をエンコードする既存のニューラルネットワークベースのオークション機構の拡張であるPreferenceNetを提案する。
提案手法は,現在最先端のニューラルネットベースのオークション設計と競合することを示す。
論文 参考訳（メタデータ） (2021-06-06T19:29:40Z) - 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) - ProportionNet: Balancing Fairness and Revenue for Auction Design with
Deep Learning [55.76903822619047]
本研究では,強力なインセンティブ保証を備えた収益最大化オークションの設計について検討する。
我々は、高い収益と強力なインセンティブ保証を維持しつつ、公平性の懸念に対処するため、深層学習を用いてオークションを近似する手法を拡張した。
論文 参考訳（メタデータ） (2020-10-13T13:54:21Z) - Learning to Bid Optimally and Efficiently in Adversarial First-price
Auctions [40.30925727499806]
我々は,$widetildeO(sqrtT)$ regretを達成する,最初のミニマックス最適オンライン入札アルゴリズムを開発した。
Verizon Mediaから得られた3つの実世界の1価オークションデータセットを用いて,本アルゴリズムを検証した。
論文 参考訳（メタデータ） (2020-07-09T05:40:39Z) - Certifying Strategyproof Auction Networks [53.37051312298459]
我々は、任意の数のアイテムと参加者でオークションを表現できるRegretNetアーキテクチャに焦点を当てる。
本稿では,ニューラルネットワーク検証文献から得られた手法を用いて,特定の評価プロファイルの下で戦略の安全性を明示的に検証する方法を提案する。
論文 参考訳（メタデータ） (2020-06-15T20:22:48Z)
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。