論文の概要: Coordinated Dynamic Bidding in Repeated Second-Price Auctions with Budgets

• arxiv url: http://arxiv.org/abs/2306.07709v1
• Date: Tue, 13 Jun 2023 11:55:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 14:02:08.744669
• Title: Coordinated Dynamic Bidding in Repeated Second-Price Auctions with Budgets
• Title（参考訳）: 予算付き2次競売における協調動的入札
• Authors: Yurong Chen, Qian Wang, Zhijian Duan, Haoran Sun, Zhaohua Chen, Xiang Yan, Xiaotie Deng
• Abstract要約: 予算を伴う第2価格の繰り返しオークションにおける協調オンライン入札アルゴリズムについて検討した。 我々は、すべてのクライアントに対して、独立入札で得られる最高のものよりも高いユーティリティを保証するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 17.937079224726073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In online ad markets, a rising number of advertisers are employing bidding agencies to participate in ad auctions. These agencies are specialized in designing online algorithms and bidding on behalf of their clients. Typically, an agency usually has information on multiple advertisers, so she can potentially coordinate bids to help her clients achieve higher utilities than those under independent bidding. In this paper, we study coordinated online bidding algorithms in repeated second-price auctions with budgets. We propose algorithms that guarantee every client a higher utility than the best she can get under independent bidding. We show that these algorithms achieve maximal coalition welfare and discuss bidders' incentives to misreport their budgets, in symmetric cases. Our proofs combine the techniques of online learning and equilibrium analysis, overcoming the difficulty of competing with a multi-dimensional benchmark. The performance of our algorithms is further evaluated by experiments on both synthetic and real data. To the best of our knowledge, we are the first to consider bidder coordination in online repeated auctions with constraints.
• Abstract（参考訳）: オンライン広告市場では、広告主が広告オークションに参加するために入札代理店を雇っている。 これらの機関は、顧客に代わってオンラインアルゴリズムの設計と入札に特化している。 通常、代理店は複数の広告主に関する情報を持っているため、彼女はクライアントが独立した入札の対象よりも高いユーティリティを実現するために入札を調整できる可能性がある。 本稿では,予算付き2次価格オークションにおけるオンライン入札アルゴリズムのコーディネートについて検討する。 我々は、すべてのクライアントに対して、独立入札で得られる最高のものよりも高いユーティリティを保証するアルゴリズムを提案する。 これらのアルゴリズムは,最大連立福祉を実現し,左右対称の場合において,予算を誤った報告にするための入札者のインセンティブを議論する。 オンライン学習と平衡分析の手法を組み合わせることで,多次元ベンチマークと競合することの難しさを克服する。 アルゴリズムの性能は、合成データと実データの両方の実験によりさらに評価される。 私たちの知る限りでは、オンラインオークションにおける入札者の調整を制約付きで検討するのは初めてです。

関連論文リスト

• Learning in Repeated Multi-Unit Pay-As-Bid Auctions [3.6294895527930504]
  複数単位のペイ・アズ・バイドオークションの入札方法を学ぶことの問題点を考察する。 バイド・バイド・オークションの入札方法を学ぶという問題は、アクション・スペースの性質によって困難である。 時間動的計画法を用いて,オフライン問題に対する最適解が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-27T20:49:28Z)
• Multi-Platform Budget Management in Ad Markets with Non-IC Auctions [6.037383467521294]
  オンライン広告市場では、予算に制約のある広告主は、様々なプラットフォームでのオークションで繰り返し入札することで、広告の配置を取得する。 予算制約がある場合、インセンティブに適合するかもしれない、あるいはそうでないかもしれない一連のオークションにおいて、入札を最適に行う戦略を提案する。 当社の戦略は、広告主が期待する予算制約を満たしつつ、オークション全体で期待される全ユーティリティを最大化する。
  論文  参考訳（メタデータ） (2023-06-12T18:21:10Z)
• 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)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• No-regret Learning in Repeated First-Price Auctions with Budget Constraints [5.834615090865286]
  定常競争下での最適非予測戦略に対して,RLに基づく入札アルゴリズムを提案する。 提案アルゴリズムは,各ラウンドの最後にすべての入札が明らかになった場合,$widetilde O(sqrt T)$-regretを求める。
  論文  参考訳（メタデータ） (2022-05-29T04:32:05Z)
• Bidding via Clustering Ads Intentions: an Efficient Search Engine Marketing System for E-commerce [13.601308818833301]
  本稿では,ウォルマート電子商取引における検索エンジンマーケティングのための入札システムのエンドツーエンド構造について紹介する。 ユーザからの問い合わせからの自然言語信号と製品からのコンテキスト知識を利用して、スパーシリティ問題を緩和する。 当社のアプローチのオンラインおよびオフラインのパフォーマンスを分析し、それを運用効率のよいソリューションとみなす方法について論じます。
  論文  参考訳（メタデータ） (2021-06-24T00:12:07Z)
• A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in Online Advertising [53.636153252400945]
  本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。 当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
  論文  参考訳（メタデータ） (2021-06-11T08:07:14Z)
• 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)
• Online Joint Bid/Daily Budget Optimization of Internet Advertising Campaigns [115.96295568115251]
  複数のチャンネルにまたがるペイ・パー・クリック広告キャンペーンのオンライン共同入札/日次予算最適化の自動化問題について検討する。 どのキャンペーンでも、Gaussian Processesによる入札のクリック数と日々の予算に依存しています。 我々は4つのアルゴリズムを設計し、O(sqrtT)として高い確率で上界した後悔に苦しむことを示す。 我々は,1年以上に1日平均1000ユーロを消費した実世界のアプリケーションにおいて,我々のアルゴリズムの採用結果を提示する。
  論文  参考訳（メタデータ） (2020-03-03T11:07:38Z)
• Adversarial Attacks on Linear Contextual Bandits [87.08004581867537]
  悪意のあるエージェントは、望ましい行動を実行するためにバンディットアルゴリズムを攻撃するインセンティブを持つ可能性がある。 悪意のあるエージェントは、線形コンテキストのバンドイットアルゴリズムに任意のアーム$T - o(T)$倍を$T$ステップで引き出すように強制することができる。 また,悪意のあるエージェントが単一コンテキストにおける帯域幅アルゴリズムの動作に影響を与えることに関心がある場合についても検討する。
  論文  参考訳（メタデータ） (2020-02-10T15:04:09Z)

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。