論文の概要: LLM-OSDA: An Optimal-Stopping Dynamic Auction for Native Advertising in Multi-Turn LLM Conversations

• arxiv url: http://arxiv.org/abs/2608.00123v2
• Date: Tue, 04 Aug 2026 07:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 13:15:27.412958
• Title: LLM-OSDA: An Optimal-Stopping Dynamic Auction for Native Advertising in Multi-Turn LLM Conversations
• Title（参考訳）: LLM-OSDA:マルチスレッドLLM会話におけるネイティブ広告のための最適ストラップ動的オークション
• Authors: Yan Fang, Jialin Chen, Chun Gan, Hang Yu, Mingjun Nie, Yeyu Zhang, Fengxiang He, Ching Law,
• Abstract要約: 本稿では,ベルマン最適停止,勝者割り当て,封筒価格を組み込んだ動的コスト・ワン・クリックオークションを提案する。 シミュレーションされた会話型広告コーパスの実験では、LSM-OSDAは最強の固定時間ベースラインよりも11%改善している。
• 参考スコア（独自算出の注目度）: 27.829715473956472
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: LLM-native advertising embeds sponsored content directly into model-generated responses, shifting the unit of sale from a fixed slot to a moment within an evolving conversation. Existing LLM ad-auction mechanisms primarily operate within a single response, settling the winner but not the timing. The extension is nontrivial: with one native insertion opportunity per session, the stopping time depends on bids, coupling timing with allocation, so static truthfulness arguments no longer apply. We propose the LLM-based Optimal Stopping Dynamic Auction (LLM-OSDA), a dynamic cost-per-click auction that integrates Bellman optimal stopping, winner allocation, and envelope pricing. A bid-independent LLM layer estimates contextual click quality and seamlessly renders the winning ad, while bids enter only the committed auction mechanism. Under an exact Bellman oracle, the expected discounted-click allocation is monotone in each advertiser's bid, and the corresponding envelope payment makes truthful bidding weakly dominant in expectation. For practical deployment, a learned StopNet approximates the Bellman action values. We show that its decisions differ from the optimal policy only near the stopping boundary and bound the resulting incentive loss in terms of its approximation error. Experiments on a simulated conversational advertising corpus show that LLM-OSDA improves net revenue by 11 percent over the strongest fixed-timing baseline while maintaining comparable user retention. Code is at https://github.com/2025Fang2025/llm-osda.
• Abstract（参考訳）: LLMネイティブ広告は、スポンサー付きコンテンツをモデル生成応答に直接埋め込む。 既存のLLMの広告誘引機構は、主に単一の応答内で動作し、勝者を固定するがタイミングは決定しない。 セッション毎に1つのネイティブな挿入機会がある場合、停止時間は入札、割り当てとの結合タイミングに依存するため、静的な真偽の議論はもはや適用されない。 本稿では,LLM-OSDA (LLM-OSDA) とベルマン最適停止, 勝者割り当て, 封筒価格を統合した動的コスト・パー・クリックオークションを提案する。 入札非依存のLCM層は、コンテキストクリック品質を推定し、入賞広告をシームレスにレンダリングし、入札は、コミットされたオークション機構のみに入る。 正確なベルマン託宣の下では、予想される割引クリックの割り当ては、広告主の入札ごとに単調であり、それに対応する封筒支払いは、予想において真に優位な入札を弱くする。 実践的なデプロイメントでは、学習したStopNetがBellmanアクション値に近似する。 その決定は、停止境界付近の最適政策と異なり、その結果のインセンティブ損失は近似誤差によって制限されていることを示す。 シミュレーションされた会話型広告コーパスの実験では、LLM-OSDAは、最強の固定時間ベースラインを11%上回り、ユーザー保持率を同等に保ちながら、純利益を11%向上している。 コードはhttps://github.com/2025Fang2025/llm-osdaにある。

関連論文リスト

• LERA: LLM-Enhanced RAG for Ad Auction in Generative Chatbots [38.35931897144688]
  大規模な言語モデル(LLM)ベースのチャットボットのための2段階の検索列生成オークションフレームワークであるLERAを提案する。 最初の段階では、埋め込みベースの粗いフィルタリングが少数の候補広告主を事前選択する。 第2段階では、LSM自体が慎重に設計されたプロンプトでクエリされ、候補に対するロジットが生成され、洗練された有機レバレンススコアとして機能する。
  論文  参考訳（メタデータ） (2026-05-15T15:39:30Z)
• LLM Advertisement based on Neuron Auctions [16.15577957062828]
  生成広告は 重要な収益化戦略として現れます プロンプトインジェクションや固い位置スロットといった既存の手法はセマンティックコヒーレンスを妨害する。 本稿では, オークション対象を表面テキスト空間からLLMの内部表現にシフトさせる新しいパラダイムであるニューロトンオークションを紹介する。
  論文  参考訳（メタデータ） (2026-05-08T16:54:39Z)
• Anchor-and-Resume Concession Under Dynamic Pricing for LLM-Augmented Freight Negotiation [5.225967186005105]
  ライヴスプレッドから$を導出することで、適応が可能になるが、新しい問題が発生する: 価格変更によって、公式が以前のオファーを撤回し、モノトニック性に違反する可能性がある。 両制約に対処する2次元アンカー・アンド・レジュームフレームワークを提案する。 スプレッド由来の$$は、各負荷のマージン構造を正しい譲歩姿勢にマッピングする一方、アンカー・アンド・レジューム機構は、任意の価格シフトの下で単調に非減少するオファーを保証する。
  論文  参考訳（メタデータ） (2026-04-22T16:17:07Z)
• $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
  $nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。 $nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
  論文  参考訳（メタデータ） (2026-03-05T08:42:54Z)
• LLM-Auction: Generative Auction towards LLM-Native Advertising [10.695066036409274]
  LLMネイティブ広告のためのオークションとLLM生成を統合した学習型生成オークション機構を提案する。 本稿では,報酬モデルとLLMを交互に最適化するIRPOアルゴリズムを提案する。 LLM-Auctionは、所望の機構特性を達成しつつ、割り当て効率において既存のベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-11T11:31:20Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• Know in AdVance: Linear-Complexity Forecasting of Ad Campaign Performance with Evolving User Interest [31.40023913908308]
  リアルタイム入札(RTB)の広告主は、試行錯誤の費用を避けるために、予想されるコストと利益を事前にテキスト化したいと願っている。 ローカルオークションとグローバルキャンペーンレベルのモデリングを統合したタイムアウェアフレームワークである textitAdVance を提案する。 AdVanceはTencent Advertisingプラットフォームにデプロイされており、A/Bテストでは平均ユーザ当たり売上(ARPU)が4.5%上昇している。
  論文  参考訳（メタデータ） (2024-05-17T10:22:36Z)
• 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)

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。