論文の概要: Lightweight Auto-bidding based on Traffic Prediction in Live Advertising

• arxiv url: http://arxiv.org/abs/2508.06069v1
• Date: Fri, 08 Aug 2025 07:05:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.111281
• Title: Lightweight Auto-bidding based on Traffic Prediction in Live Advertising
• Title（参考訳）: ライブ広告における交通予測に基づく軽量自動入札
• Authors: Bo Yang, Ruixuan Luo, Junqi Jin, Han Zhu,
• Abstract要約: 軽量入札アルゴリズムであるBibinary Constrained Bidding (BiCB)を提案する。 BiCBは、数学的解析によって与えられる最適な入札公式と将来の交通量推定の統計的手法をうまく組み合わせている。 オフラインおよびオンラインでの十分な実験は、BiCBの優れた性能と低いエンジニアリングコストを証明している。
• 参考スコア（独自算出の注目度）: 12.578089904793638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet live streaming is widely used in online entertainment and e-commerce, where live advertising is an important marketing tool for anchors. An advertising campaign hopes to maximize the effect (such as conversions) under constraints (such as budget and cost-per-click). The mainstream control of campaigns is auto-bidding, where the performance depends on the decision of the bidding algorithm in each request. The most widely used auto-bidding algorithms include Proportional-Integral-Derivative (PID) control, linear programming (LP), reinforcement learning (RL), etc. Existing methods either do not consider the entire time traffic, or have too high computational complexity. In this paper, the live advertising has high requirements for real-time bidding (second-level control) and faces the difficulty of unknown future traffic. Therefore, we propose a lightweight bidding algorithm Binary Constrained Bidding (BiCB), which neatly combines the optimal bidding formula given by mathematical analysis and the statistical method of future traffic estimation, and obtains good approximation to the optimal result through a low complexity solution. In addition, we complement the form of upper and lower bound constraints for traditional auto-bidding modeling and give theoretical analysis of BiCB. Sufficient offline and online experiments prove BiCB's good performance and low engineering cost.
• Abstract（参考訳）: インターネットのライブストリーミングはオンラインエンターテイメントやeコマースで広く使われており、ライブ広告はアンカーにとって重要なマーケティングツールである。 広告キャンペーンは、(予算やクリックあたりのコストなど)制約の下での効果(変換など)を最大化することを望んでいる。 キャンペーンのメインストリーム制御は自動入札であり、各要求における入札アルゴリズムの決定に依存するパフォーマンスである。 最も広く使われている自動入札アルゴリズムは、PID制御、線形プログラミング(LP)、強化学習(RL)などである。 既存の手法は全時間トラフィックを考慮していないか、計算量が多いかのいずれかである。 本稿では,リアルタイム入札(第2レベル制御)の要求が高く,今後のトラフィックの不明さに直面している。 そこで,本研究では,数学解析によって与えられる最適入札公式と,将来的な交通量推定の統計的手法を巧みに組み合わせた軽量入札アルゴリズムであるBiCBを提案する。 さらに,従来の自動入札モデリングにおける上限および下限制約の形式を補完し,BiCBの理論解析を行う。 オフラインおよびオンラインでの十分な実験は、BiCBの優れた性能と低いエンジニアリングコストを証明している。

関連論文リスト

• Multi-task Offline Reinforcement Learning for Online Advertising in Recommender Systems [54.709976343045824]
  現在のオフライン強化学習(RL)手法は、スパース広告シナリオに適用した場合、重大な課題に直面している。 MTORLは,2つの主要な目標を対象とする,新しいマルチタスクオフラインRLモデルである。 我々はマルチタスク学習を用いて行動と報酬をデコードし、同時にチャネルレコメンデーションと予算配分に対処する。
  論文  参考訳（メタデータ） (2025-06-29T05:05:13Z)
• BAT: Benchmark for Auto-bidding Task [67.56067222427946]
  本稿では,最も普及している2種類のオークション形式を含むオークションベンチマークを提案する。 我々は,新しいデータセットに基づいて,一連の堅牢なベースラインを実装した。 このベンチマークは、研究者や実践者が革新的なオートバイディングアルゴリズムを開発し、洗練するための、ユーザフレンドリで直感的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-05-13T12:12:34Z)
• Nash Equilibrium Constrained Auto-bidding With Bi-level Reinforcement Learning [64.2367385090879]
  本稿では,プラットフォームの観点から,自動入札問題の新たな定式化を提案する。 これは、$epsilon$-NE制約の下ですべての広告主の社会的福祉を最大化することを目的としている。 NCB問題は、その制約された二段階構造と、典型的には多くの広告主が関与しているため、重大な課題を提起している。
  論文  参考訳（メタデータ） (2025-03-13T12:25:36Z)
• Auto-bidding in real-time auctions via Oracle Imitation Learning (OIL) [9.19703820485146]
  マルチスロット第2価格オークションにおける自動入札エージェントのトレーニングフレームワークを提案する。 広告キャンペーンが終了すると、各インプレッション機会の最適入札を決定することは、複数の選択knapsack問題とみなすことができるという知見を活用できる。 本稿では,印象の機会と広告スロットをほぼ最適に組み合わせた「オークル」アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-16T04:21:35Z)
• 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)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)

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。