論文の概要: Autobidding Arena: unified evaluation of the classical and RL-based autobidding algorithms

• arxiv url: http://arxiv.org/abs/2510.19357v1
• Date: Wed, 22 Oct 2025 08:27:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.422345
• Title: Autobidding Arena: unified evaluation of the classical and RL-based autobidding algorithms
• Title（参考訳）: オートバイディング・アリーナ:古典的およびRLに基づくオートバイディングアルゴリズムの統一評価
• Authors: Andrey Pudovikov, Alexandra Khirianova, Ekaterina Solodneva, Aleksandr Katrutsa, Egor Samosvat, Yuriy Dorn,
• Abstract要約: 本稿では,古典的および強化的学習オートバイディングアルゴリズムを比較するための,標準化された透過的評価プロトコルを提案する。 我々は、この業界で開発された最新のオープンソース環境を利用して、入札プロセスを正確にエミュレートする。
• 参考スコア（独自算出の注目度）: 71.47275796833235
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Advertisement auctions play a crucial role in revenue generation for e-commerce companies. To make the bidding procedure scalable to thousands of auctions, the automatic bidding (autobidding) algorithms are actively developed in the industry. Therefore, the fair and reproducible evaluation of autobidding algorithms is an important problem. We present a standardized and transparent evaluation protocol for comparing classical and reinforcement learning (RL) autobidding algorithms. We consider the most efficient autobidding algorithms from different classes, e.g., ones based on the controllers, RL, optimal formulas, etc., and benchmark them in the bidding environment. We utilize the most recent open-source environment developed in the industry, which accurately emulates the bidding process. Our work demonstrates the most promising use cases for the considered autobidding algorithms, highlights their surprising drawbacks, and evaluates them according to multiple metrics. We select the evaluation metrics that illustrate the performance of the autobidding algorithms, the corresponding costs, and track the budget pacing. Such a choice of metrics makes our results applicable to the broad range of platforms where autobidding is effective. The presented comparison results help practitioners to evaluate the candidate autobidding algorithms from different perspectives and select ones that are efficient according to their companies' targets.
• Abstract（参考訳）: オークションは、eコマース企業にとって、収益を生み出す上で重要な役割を担います。 入札手続きを数千のオークションにスケーラブルにするために、自動入札(自動入札)アルゴリズムが業界で積極的に開発されている。 したがって、オートビディングアルゴリズムの公平かつ再現可能な評価は重要な問題である。 本稿では,古典的および強化的学習(RL)オートバイディングアルゴリズムを比較するための,標準化された透過的評価プロトコルを提案する。 異なるクラス,例えば,コントローラ,RL,最適式などに基づく,最も効率的なオートバイディングアルゴリズムを検討し,入札環境でそれらをベンチマークする。 我々は、この業界で開発された最新のオープンソース環境を利用して、入札プロセスを正確にエミュレートする。 私たちの研究は、検討されたオートバイディングアルゴリズムの最も有望なユースケースを示し、驚くべき欠点を強調し、複数のメトリクスに基づいてそれらを評価します。 我々は,自動走行アルゴリズムの性能,対応するコストを指標として評価指標を選択し,予算調整の追跡を行う。 このようなメトリクスの選択によって、私たちの結果は、オートビジンが有効である幅広いプラットフォームに適用できます。 提案した比較結果は, 企業の目標に応じて効率の良いアルゴリズムを選定し, 異なる視点から評価する上で有効である。

関連論文リスト

• Lightweight Auto-bidding based on Traffic Prediction in Live Advertising [12.578089904793638]
  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。
  論文  参考訳（メタデータ） (2025-08-08T07:05:35Z)
• 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)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• 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)
• Coordinated Dynamic Bidding in Repeated Second-Price Auctions with Budgets [17.937079224726073]
  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。
  論文  参考訳（メタデータ） (2023-06-13T11:55:04Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Adaptively Optimize Content Recommendation Using Multi Armed Bandit Algorithms in E-commerce [4.143179903857126]
  我々は3つの古典的MABアルゴリズム、epsilon-greedy, Thompson sample (TS), and upper confidence bound 1 (UCB1) を用いて動的コンテンツの推薦を行う。 3つのMABアルゴリズムの累積報酬と、実際のA/Bテストデータセットを用いた1000以上の試行を比較する。 電子商取引における遅延報酬問題を克服するために,バッチ更新MABアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-07-30T21:03:38Z)
• Neural Auction: End-to-End Learning of Auction Mechanisms for E-Commerce Advertising [42.7415188090209]
  我々は,オークションからコンテキストを効率的に抽出する深層モデルを開発し,オークションデザインのための豊富な特徴を提供する。 タオバオのEコマース広告システムにDNAが配備されている。
  論文  参考訳（メタデータ） (2021-06-07T13:20:40Z)

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。