AuctionNet：大规模游戏决策的新型基准
人工智能
2024-12-31 v2 机器学习
摘要
大规模游戏中的决策是人工智能（AI）领域的一个重要研究方向，对实际应用具有重要意义。然而，由于对真实大规模游戏环境的访问受限，此领域的研究进展一直受到阻碍。本文我们提出AuctionNet，这是一个来自真实在线广告平台的大规模拍卖决策基准。AuctionNet由三个部分组成：广告拍卖环境、基于环境生成的预生成数据集，以及几个基准拍卖决策算法的性能评估。具体而言，环境通过多个模块的相互作用，有效复制了真实广告拍卖的完整性和复杂性：广告机会生成模块采用深度生成网络，弥合模拟数据与真实数据之间的差距，同时降低敏感数据暴露的风险；出价模块实现了多样化的自动出价代理，这些代理使用不同的决策算法进行训练；拍卖模块基于经典的广义第二价格（GSP）拍卖，同时允许根据需要自定义拍卖机制。为便于研究并为环境提供洞见，我们还预生成了大量数据集。数据集包含1000万个广告机会、48个多样化的自动出价代理，以及超过5亿条拍卖记录。本文还作为AuctionNet的一部分，呈现了针对线性规划、强化学习和生成模型等几种基准算法的拍卖决策性能评估。我们认为，AuctionNet不仅适用于广告拍卖中出价决策的研究，也适用于大规模游戏决策的一般领域。
引用
@article{arxiv.2412.10798,
title = {AuctionNet: A Novel Benchmark for Decision-Making in Large-Scale Games},
author = {Kefan Su and Yusen Huo and Zhilin Zhang and Shuai Dou and Chuan Yu and Jian Xu and Zongqing Lu and Bo Zheng},
journal= {arXiv preprint arXiv:2412.10798},
year = {2024}
}