論文の概要: Generative Auto-Bidding in Large-Scale Competitive Auctions via Diffusion Completer-Aligner

• arxiv url: http://arxiv.org/abs/2509.03348v1
• Date: Wed, 03 Sep 2025 14:25:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.547634
• Title: Generative Auto-Bidding in Large-Scale Competitive Auctions via Diffusion Completer-Aligner
• Title（参考訳）: 拡散完全整流器による大規模競争入札における生成的自動入札
• Authors: Yewen Li, Jingtong Gao, Nan Jiang, Shuai Mao, Ruyi An, Fei Pan, Xiangyu Zhao, Bo An, Qingpeng Cai, Peng Jiang,
• Abstract要約: 本稿では,Diffusion Completer-aligner フレームワーク CBD を用いたCausal Auto-Bidding法を提案する。 トラジェクトリレベルのリターンモデルを用いて、生成されたトラジェクトリを洗練し、広告主の目的とより密に整合させる。 提案手法は大規模自動入札ベンチマークにおいて優れた性能を発揮することを示す。
• 参考スコア（独自算出の注目度）: 37.31354488152535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Auto-bidding is central to computational advertising, achieving notable commercial success by optimizing advertisers' bids within economic constraints. Recently, large generative models show potential to revolutionize auto-bidding by generating bids that could flexibly adapt to complex, competitive environments. Among them, diffusers stand out for their ability to address sparse-reward challenges by focusing on trajectory-level accumulated rewards, as well as their explainable capability, i.e., planning a future trajectory of states and executing bids accordingly. However, diffusers struggle with generation uncertainty, particularly regarding dynamic legitimacy between adjacent states, which can lead to poor bids and further cause significant loss of ad impression opportunities when competing with other advertisers in a highly competitive auction environment. To address it, we propose a Causal auto-Bidding method based on a Diffusion completer-aligner framework, termed CBD. Firstly, we augment the diffusion training process with an extra random variable t, where the model observes t-length historical sequences with the goal of completing the remaining sequence, thereby enhancing the generated sequences' dynamic legitimacy. Then, we employ a trajectory-level return model to refine the generated trajectories, aligning more closely with advertisers' objectives. Experimental results across diverse settings demonstrate that our approach not only achieves superior performance on large-scale auto-bidding benchmarks, such as a 29.9% improvement in conversion value in the challenging sparse-reward auction setting, but also delivers significant improvements on the Kuaishou online advertising platform, including a 2.0% increase in target cost.
• Abstract（参考訳）: 自動入札は計算広告の中心であり、経済的な制約の中で広告主の入札を最適化することで商業的成功を収めている。 近年、大規模な生成モデルは、複雑な競争環境に柔軟に適用可能な入札を生成することによって、自動入札に革命をもたらす可能性を示している。 その中でも、散逸者は、軌跡レベルの累積報酬と説明可能な能力、すなわち将来の国家の軌跡を計画し、それに従って入札を実行することに焦点を当て、スパース・リワードの課題に対処する能力に注目する。 しかし、ディフューザーは、特に隣接する州間の動的正当性に関する世代不確実性に苦しむため、入札の低さを招き、競争の激しいオークション環境で他の広告主と競う際に広告インプレッションの機会が著しく失われる可能性がある。 そこで本稿では,Diffusion Completer-aligner フレームワーク CBD に基づくCausal Auto-Bidding 手法を提案する。 まず,予備変数tを用いて拡散訓練プロセスを強化し,残りのシーケンスを完了させることで,t長の履歴シーケンスを観測し,生成したシーケンスの動的正当性を向上させる。 そこで,提案手法は,広告主の目的とより緊密に整合して生成した軌道を洗練させるために,軌道レベルの回帰モデルを用いる。 多様な設定にわたる実験結果から,本手法は,スパース・リワードオークション設定における変換値の29.9%向上など,大規模自動入札ベンチマークにおいて優れたパフォーマンスを達成するだけでなく,目標コストの2.0%増加を含む,クアイショーオンライン広告プラットフォームにも大幅な改善をもたらすことが明らかとなった。

関連論文リスト

• Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising [30.108437268612438]
  Bidding-Aware Retrieval (BAR) はモデルベースの検索フレームワークであり、検索スコア関数に広告入札値を組み込むことで、多段階の不整合に対処する。 BARの中核となる革新はビディン・アウェア・モデリング(Bidding-Aware Modeling)であり、経済的に一貫性のある表現を確保するために単調な学習とマルチタスクの蒸留を通じて入札信号を取り入れている。 大規模なオフライン実験とAlibabaのディスプレイ広告プラットフォームへのフルスケール展開により、BARの有効性が検証された。
  論文  参考訳（メタデータ） (2025-08-07T09:43:34Z)
• 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)
• AIGB: Generative Auto-bidding via Conditional Diffusion Modeling [26.283427427408085]
  本稿では,AIGB(AI-Generated Bidding)について紹介する。 このパラダイムでは、入札生成のための条件付き拡散モデルであるDiffBidを提案する。 Alibabaの広告プラットフォーム上で、実世界のデータセットとオンラインA/Bテストで実施された実験は、DiffBidの有効性を実証している。
  論文  参考訳（メタデータ） (2024-05-25T09:21:43Z)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• 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)
• MoTiAC: Multi-Objective Actor-Critics for Real-Time Bidding [47.555870679348416]
  そこで本研究では,MoTiACというマルチエクティブ・アクタ・クリティカルスアルゴリズムを提案する。 従来のRLモデルとは異なり、提案されたMoTiACは複雑な入札環境で同時に多目的タスクを達成できる。
  論文  参考訳（メタデータ） (2020-02-18T07:16:39Z)

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。