机器学习建议下的自动投标世界中的个体福利保障
摘要：在线广告渠道通常侧重于最大化广告商的总价值（或福利），以提高长期保留和渠道的健康性。以往的文献通过将机器学习预测的广告商价值（也称为机器学习建议）以各种形式纳入拍卖设计中，以提高总福利。然而，这种改进可能以个体投标人的福利为代价，并且对特定广告商出价策略如何影响福利也没有提供线索。 鉴于此，我们在自动投标的拍卖环境中针对有无机器学习建议的拍卖分析了个体投标人的福利损失，并揭示了广告商策略与此类损失的关系。特别是，我们展示了广告平台如何利用机器学习建议来通过将机器学习建议设置为个性化保留价来改善总体和个体投标人水平的福利保证，当平台由最大化价值同时遵守投放回报率（ROAS）约束的自动投标者组成时。在具有基于机器学习建议的个性化保留价的并行 VCG 拍卖中，我们提供了个人自动投标者的最坏情况福利下限保证，并展示了下限保证与机器学习建议质量以及自动投标者出价策略引起的出价规模正相关。此外，我们证明了一个不可能的结果，即在基于等质量的机器学习建议的个性化保留价的情况下，没有真实且可能随机化的具有匿名分配的机制可以实现普遍更好的个人福利保证，而 VCG 拍卖可以。此外，我们将个人福利保证结果扩展到广义一价（GFP）和广义二价（GSP）拍卖。
作者：Yuan Deng, Negin Golrezaei, Patrick Jaillet, Jason Cheuk Nam Liang, Vahab Mirrokni
论文ID：2209.04748
分类：Computer Science and Game Theory
分类简称：cs.GT
提交时间：2023-06-16