预算约束第一价格拍卖中未知私有价值的学习出价
机器学习
2026-05-12 v1
摘要
数字广告向第一价格拍卖 (FPA) 的转变激发了重要的研究，但现有工作通常假设可访问估值预言机，忽略了价值必须从删失数据中推断的现实。尽管线性处理效应 (LTE) 模型通过学习价值提升来解决此问题，但它们尚未适应具有硬性预算约束或需要遗憾与违约控制的支出回报 目标的现实场景。在本工作中，我们针对受约束的 FPA 提出了一个统一的原始-对偶框架，该框架联合学习潜在的 LTE 估值参数与竞争对手的出价分布。这种同时学习引入了关键的技术挑战：估计误差由拉格朗日乘子动态缩放，可能导致无界遗憾。我们通过利用强 Slater 条件与一种新颖的自适应预烧过程来稳定对偶变量，从而解决了这一问题。我们的方法实现了近乎最优的遗憾保证，为具有潜在估值的受约束出价提供了首个有理论依据的解决方案。
引用
@article{arxiv.2605.09448,
title = {Learning to Bid with Unknown Private Values in Budget-Constrained First-Price Auctions},
author = {Zihao Hu and Yuxiao Wen and Yuan Yao and Jiheng Zhang and Zhengyuan Zhou},
journal= {arXiv preprint arXiv:2605.09448},
year = {2026}
}