带机器学习建议的自动出价世界中的个体福利保障
计算机科学与博弈论
2023-06-16 v4
摘要
在线广告渠道通常侧重于最大化广告主总价值（或福利）以提升长期留存与渠道健康度。先前文献研究了通过多种形式融入对广告主价值的机器学习预测（亦称机器学习建议）的拍卖设计，以改善总福利。然而，此类改进可能以个体竞标者福利为代价，且未阐明特定广告主出价策略如何影响福利。受此驱动，我们分析了在有与无机器学习建议的拍卖中，自动出价世界里个体竞标者的福利损失，并揭示了广告主策略与此类损失的关系。具体而言，我们展示了广告平台如何利用ML建议，在由最大化价值且遵守广告支出回报率（ROAS）约束的自动出价者构成的平台中，通过将ML建议设为个性化保留价，从而在聚合与个体竞标者层面改善福利保障。在此类基于ML建议保留价的并行VCG拍卖下，我们给出了个体自动出价者的最坏情形福利下界保障，并表明该下界保障与ML建议质量以及自动出价者出价策略所引致的出价规模正相关。进一步，我们证明了一个不可能性结果：在基于同等质量ML建议的个性化保留价存在时，任何真实且可能随机化、具有匿名分配的机制都无法普遍取得优于VCG的个体福利保障。此外，我们将个体福利保障结果推广至广义第一价格（GFP）与广义第二价格（GSP）拍卖。
引用
@article{arxiv.2209.04748,
title = {Individual Welfare Guarantees in the Autobidding World with Machine-learned Advice},
author = {Yuan Deng and Negin Golrezaei and Patrick Jaillet and Jason Cheuk Nam Liang and Vahab Mirrokni},
journal= {arXiv preprint arXiv:2209.04748},
year = {2023}
}