通过测度值近端优化学习在线拍卖中的凹出价遮蔽策略
机器学习
2025-09-16 v1 人工智能
最优化与控制
机器学习
摘要
这项工作将第一价格拍卖的出价遮蔽策略提出为一个测度值优化问题。我们考虑出价遮蔽的标准参数形式，并将问题形式化为关于遮蔽参数联合分布的凸优化。在每次拍卖后，通过带有数据驱动能量泛函的正则化 Wasserstein-近端更新来调整遮蔽参数分布。该能量泛函以上下文为条件，即依赖于发布者/用户属性，如域、广告位类型、设备或位置。所提出的算法鼓励出价分布将更多权重放在具有更高期望盈余的值上，即赢标概率和价值差距都较大的地方。我们证明了由此产生的测度值凸优化问题存在闭式解。一个数值示例说明了所提出的方法。
引用
@article{arxiv.2509.10693,
title = {Learning Concave Bid Shading Strategies in Online Auctions via Measure-valued Proximal Optimization},
author = {Iman Nodozi and Djordje Gligorijevic and Abhishek Halder},
journal= {arXiv preprint arXiv:2509.10693},
year = {2025}
}