論文の概要: Less Traffic, Better Outcomes: Competition-Aware Request Dispatch in Real-Time Ad Exchanges
- arxiv url: http://arxiv.org/abs/2608.03705v1
- Date: Tue, 04 Aug 2026 14:11:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.234195
- Title: Less Traffic, Better Outcomes: Competition-Aware Request Dispatch in Real-Time Ad Exchanges
- Title（参考訳）: トラフィックが減り、アウトカムも改善 - リアルタイム広告取引所における競合意識の要求分散
- Abstract要約: リアルタイム入札(RTB)広告交換は通常、ほぼ全てのリクエストを需要側プラットフォーム(DSP)に転送する。
本稿では,各DSPに対して各要求を送信すべきか否かを判定する,競合対応の要求ディスパッチフレームワークを提案する。
毎日200億件以上のリクエストを処理可能なプロダクションプラットフォーム上で,4つの連続的なオンライン実験を通じて,このフレームワークを評価した。
- 参考スコア（独自算出の注目度）: 1.7742957668091235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time bidding (RTB) ad exchanges typically forward nearly all incoming requests to demand-side platforms (DSPs), even though only a small fraction receive bids. This over-distribution weakens auction outcomes: DSPs throttle participation under compute and budget constraints, reducing the effective use of limited bidding capacity. We present a competition-aware request dispatch framework that uses distributional bid prediction and probabilistic forwarding to decide whether each request should be sent to each DSP. The system adapts per-DSP thresholds over time through lightweight policy optimization to track non-stationary market conditions. We evaluate the framework through four sequential online experiments on a production platform serving over 20 billion daily requests. A full multi-DSP deployment reduces DSP request volume under the policy by 34.2% while increasing net revenue by 4.6% (p<0.001) in a recent 14-day window after an initial DSP adaptation period. Further analysis highlights strong heterogeneity across traffic segments and reveals that aggregate metrics can be misleading. Segment-level and per-DSP analyses suggest that the policy surfaces comparative advantages among DSPs, improving monetized outcomes without increasing overall request volume.
- Abstract（参考訳）: リアルタイム入札(RTB)広告取引所は通常、需要側プラットフォーム(DSP)にほぼ全てのリクエストを転送する。
DSPは計算と予算の制約の下での参加を妨げ、限られた入札能力の有効利用を減らす。
本稿では,分散入札予測と確率的フォワードを用いて,各要求を各DSPに送信するかどうかを判定する,競合対応の要求ディスパッチフレームワークを提案する。
このシステムは、非定常市場条件を追跡するために、軽量なポリシー最適化を通じて、DSPごとのしきい値に時間とともに適応する。
毎日200億件以上のリクエストを処理可能なプロダクションプラットフォーム上で,4つの連続的なオンライン実験を通じて,このフレームワークを評価した。
完全なマルチDSPデプロイメントは、DSP適応期間後の14日間のウィンドウにおいて、DSP要求量を34.2%削減すると同時に、純利益を4.6%増加させる(p<0.001)。
さらに分析によって、トラフィックセグメント間の強い不均一性が強調され、集約メトリクスが誤解を招く可能性があることが明らかになった。
セグメンションレベルおよびDSP毎の分析は、DSP間での政策の優位性を表わし、全体の要求量を増やすことなく収益化結果を改善することを示唆している。
関連論文リスト
- DRIVE: Distributional and Retrieval-Augmented Bidding with Value Evaluation [39.181584470241354]
オフライン強化学習とTransformerベースのシーケンスモデリングは、ログデータから入札ポリシーを学ぶことを約束している。
我々は、オフライン自動入札のための意思決定から候補アクション生成を分離する統合トランスフォーマーベースのフレームワークDRIVEを提案する。
AuctionNetと追加のオフライン強化学習ベンチマークの実験は、DRIVEが一貫して入札性能を改善し、複数のTransformerベースのメソッドでうまく一般化していることを示している。
論文 参考訳（メタデータ） (2026-06-12T07:21:07Z) - HMAF: A Hierarchical Multi-Slot GD-RTB Allocation Framework [18.803846150996197]
本稿では,GD-RTB広告プラットフォームにおけるインプレッションアロケーションの最適化を目的とした統合フレームワークを提案する。
HMAFは世界最大のオンラインフードデリバリープラットフォームであるMeituanで、複数のマーケティングシナリオで実装されている。
論文 参考訳（メタデータ） (2026-06-04T22:50:38Z) - SOPE: Stabilizing Off-Policy Evaluation for Online RL with Prior Data [49.370849653460716]
本稿では,アクタに整列したオフポリシー評価信号を用いたSOPEを,自動早期停止機構として提案する。
Minariベンチマークスイートから25の継続的制御タスクを評価した。
SOPEはベースライン性能を最大45.6%改善し、必要なTFLOPを最大22倍改善した。
論文 参考訳（メタデータ） (2026-05-07T08:32:09Z) - Dynamic Speculative Agent Planning [57.630218933994534]
大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。
本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。
2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
論文 参考訳（メタデータ） (2025-09-02T03:34:36Z) - Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。
オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。
オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
論文 参考訳（メタデータ） (2025-09-01T10:04:20Z) - 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) - 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) - HiBid: A Cross-Channel Constrained Bidding System with Budget Allocation by Hierarchical Offline Deep Reinforcement Learning [31.88174870851001]
階層型オフライン深層強化学習(DRL)フレームワーク「HiBid」を提案する。
HiBidは、非競争的な予算配分のための補助的損失を備えた高レベルプランナーで構成されている。
チャネル間CPC制約を満たすためにCPC誘導動作選択機構を導入する。
論文 参考訳（メタデータ） (2023-12-29T07:52:46Z) - 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) - An Efficient Deep Distribution Network for Bid Shading in First-Price
Auctions [10.180752196357805]
オープン(非検閲)およびクローズド(検閲)オンラインファーストプライスオークションの両方において、最適な入札を行うための新しいディープ・ディストリビューション・ネットワークを導入する。
提案アルゴリズムは,動作毎の余剰と有効コスト(eCPX)の両方の観点から,従来の最先端アルゴリズムよりも優れている。
オンラインA/Bテストによると、広告主のROIは、インプレッションベース(CPM)、クリックベース(CPC)、コンバージョンベース(CPA)の各キャンペーンで+2.4%、+2.4%、+8.6%向上している。
論文 参考訳（メタデータ） (2021-07-12T22:44:39Z)
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。