論文の概要: A Lightweight MPC Bidding Framework for Brand Auction Ads

• arxiv url: http://arxiv.org/abs/2603.07721v1
• Date: Sun, 08 Mar 2026 16:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.095974
• Title: A Lightweight MPC Bidding Framework for Brand Auction Ads
• Title（参考訳）: ブランドオークション広告のための軽量MPC入札フレームワーク
• Authors: Yuanlong Chen, Bowen Zhu, Bing Xia, Yichuan Wang,
• Abstract要約: ブランド広告キャンペーン用に設計された軽量なモデル予測制御フレームワークを提案する。 提案手法は,オンライン等調回帰を利用して単調入札モデルと単調入札モデルを構築する。
• 参考スコア（独自算出の注目度）: 2.4357431333415884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brand advertising plays a critical role in building long-term consumer awareness and loyalty, making it a key objective for advertisers across digital platforms. Although real-time bidding has been extensively studied, there is limited literature on algorithms specifically tailored for brand auction ads that fully leverage their unique characteristics. In this paper, we propose a lightweight Model Predictive Control (MPC) framework designed for brand advertising campaigns, exploiting the inherent attributes of brand ads -- such as stable user engagement patterns and fast feedback loops -- to simplify modeling and improve efficiency. Our approach utilizes online isotonic regression to construct monotonic bid-to-spend and bid-to-conversion models directly from streaming data, eliminating the need for complex machine learning models. The algorithm operates fully online with low computational overhead, making it highly practical for real-world deployment. Simulation results demonstrate that our approach significantly improves spend efficiency and cost control compared to baseline strategies, providing a scalable and easily implementable solution for modern brand advertising platforms.
• Abstract（参考訳）: ブランド広告は、消費者の長期的な認識と忠誠心を構築する上で重要な役割を担っている。 リアルタイム入札は広く研究されているが、その特徴を完全に活用するブランドオークション広告に特化したアルゴリズムに関する文献は限られている。 本稿では,ブランド広告キャンペーンのための軽量なモデル予測制御(MPC)フレームワークを提案する。 提案手法では,オンラインアイソトニック回帰を利用して,ストリーミングデータから直接単調な入札・入札・変換モデルを構築し,複雑な機械学習モデルの必要性を解消する。 このアルゴリズムは計算オーバーヘッドの少ない完全にオンラインで動作し、現実世界のデプロイに非常に実用的である。 シミュレーションの結果,提案手法はベースライン戦略と比較して費用効率とコスト管理を著しく改善し,最新のブランド広告プラットフォームにスケーラブルで実装が容易なソリューションを提供することが示された。

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)
• 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)
• 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)
• EGA-V2: An End-to-end Generative Framework for Industrial Advertising [19.927005856735445]
  EGA-V2(End-to-End Generative Advertising)は、ユーザ興味、POI(point-of-interest)、クリエイティブジェネレーション、広告アロケーション、支払い最適化を体系的にモデル化する最初の統合フレームワークである。 当社の結果は、次世代産業広告システムへの道を開く、完全生成型広告ソリューションのパイオニアとしての可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-05-23T06:55:02Z)
• 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)
• Online Ad Procurement in Non-stationary Autobidding Worlds [10.871587311621974]
  本稿では,複数次元決定変数,帯域幅フィードバック,長期不確実な制約を用いたオンライン意思決定のための原始双対アルゴリズムを提案する。 提案アルゴリズムは, 逆数, 逆数, 周期的, エルゴディックな手順により, 調達結果が生成されると, 多くの世界では, 後悔の度合いが低いことを示す。
  論文  参考訳（メタデータ） (2023-07-10T00:41:08Z)
• 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)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)

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。