論文の概要: Leveraging the Hints: Adaptive Bidding in Repeated First-Price Auctions

• arxiv url: http://arxiv.org/abs/2211.06358v1
• Date: Sat, 5 Nov 2022 19:20:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 13:50:15.234375
• Title: Leveraging the Hints: Adaptive Bidding in Repeated First-Price Auctions
• Title（参考訳）: ヒントの活用:反復1価オークションにおける適応入札
• Authors: Wei Zhang, Yanjun Han, Zhengyuan Zhou, Aaron Flores, Tsachy Weissman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.002983450368134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advent and increasing consolidation of e-commerce, digital advertising has very recently replaced traditional advertising as the main marketing force in the economy. In the past four years, a particularly important development in the digital advertising industry is the shift from second-price auctions to first-price auctions for online display ads. This shift immediately motivated the intellectually challenging question of how to bid in first-price auctions, because unlike in second-price auctions, bidding one's private value truthfully is no longer optimal. Following a series of recent works in this area, we consider a differentiated setup: we do not make any assumption about other bidders' maximum bid (i.e. it can be adversarial over time), and instead assume that we have access to a hint that serves as a prediction of other bidders' maximum bid, where the prediction is learned through some blackbox machine learning model. We consider two types of hints: one where a single point-prediction is available, and the other where a hint interval (representing a type of confidence region into which others' maximum bid falls) is available. We establish minimax optimal regret bounds for both cases and highlight the quantitatively different behavior between the two settings. We also provide improved regret bounds when the others' maximum bid exhibits the further structure of sparsity. Finally, we complement the theoretical results with demonstrations using real bidding data.
• Abstract（参考訳）: eコマースの出現と拡大に伴い、デジタル広告は経済の主要なマーケティング力として伝統的な広告に取って代わられた。 過去4年間で、デジタル広告業界における特に重要な発展は、オンラインディスプレイ広告の第二価格オークションから第一価格オークションへの移行である。 この変化はすぐに、第一価格オークションの入札方法に関する知的に困難な問題を引き起こし、第二価格オークションとは異なり、真に個人価値の入札はもはや最適ではない。 私たちは、他の入札者の最大入札(つまり、時間とともに敵対的になる可能性がある)について仮定することはせず、代わりに、ブラックボックス機械学習モデルによって予測が学習される他の入札者の最大入札の予測として役立つヒントにアクセスできると仮定します。 我々は2種類のヒントについて考察する。1つは1つのポイント予測が可能で、もう1つはヒント間隔(他者の最大入札が下降する信頼領域のタイプを表す)が利用可能である。 両症例に対して最小限の後悔境界を設定し, 2つの設定の量的に異なる振る舞いを強調した。 また,他者の最大入札がさらにスパーシティの構造を示す場合に,後悔の限界が改善される。 最後に,実入札データを用いた実演で理論的結果を補完する。

関連論文リスト

• A pragmatic policy learning approach to account for users' fatigue in repeated auctions [47.75983850930121]
  MLモデルは、前回のオークションが現在の機会価値をどの程度獲得したかを予測することができる。 この予測を用いて、現在の競売の予想利益を最大化する政策を、患者と呼ぶことができる。 我々は、このコストの浸透の重要性について、実証的な2つの論証を提示した。
  論文  参考訳（メタデータ） (2024-07-15T07:53:29Z)
• 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)
• Autobidders with Budget and ROI Constraints: Efficiency, Regret, and Pacing Dynamics [53.62091043347035]
  オンライン広告プラットフォームで競合するオートバイディングアルゴリズムのゲームについて検討する。 本稿では,全ての制約を満たすことを保証し,個人の後悔を解消する勾配に基づく学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-30T21:59:30Z)
• 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)
• 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)
• 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)
• Optimal No-regret Learning in Repeated First-price Auctions [38.908235632001116]
  オンライン学習を反復した初価オークションで研究する。 我々は,ほぼ最適の$widetildeO(sqrtT)$ regret boundを達成するための最初の学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-22T03:32:09Z)

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。