Non-uniform Bid-scaling and Equilibria for Different Auctions: An Empirical Study
本研究通过合成数据集实证比较FPA、GSP和VCG拍卖在自动出价场景下不同非均匀出价缩放水平的表现，发现FPA优于GSP优于VCG，且非均匀缩放水平升高会降低FPA和GSP的福利，但对VCG无影响。
2023-11-17 cs.GT
Risk-Free Bidding in Complement-Free Combinatorial Auctions
研究了不完全信息下组合拍卖中的无风险投标策略。具体地说，在多物品组合拍卖中，无互补（次可加）投标人能保证的最大利润是多少？假设存在$n$投标者，并且$B_i$是投标者$i$对于整个项目集合具有的值。本文从第一投标人Bidder~1的角度对上述问题进行了研究。在这种情况下，最坏的情况下的利润保证出现在一个duopsony，也就是说，当$n=2$，所以这个问题，然后对应于发挥拍卖对预算对手与预算$B_2$。我们提出了两个简单的和广泛研究的组合拍卖，即顺序拍卖和同时拍卖，第一价格和第二价格的情况下，最坏情况下的保证。在一般情况下，不同的项目，我们的主要结果是为类的{ \em分数次加性}（XOS）投标人，我们表明，无论是第一价格和第二价格顺序拍卖投标人~ $1$有一个策略，保证利润至少$(\sqrt{B_1}-\sqrt{B_2})^2$时，$B_2 \leq B_1$，这个界是紧的。同时拍卖可以获得更多的利润保证，其中在第一价格的情况下，投标人$1$有一个策略，保证至少$\frac{(B_1-B_2)^2}{2B_1}$的利润，并在第二价格的情况下，$B_1-B_2$的界限是可实现的。我们还考虑了特殊情况下的顺序拍卖相同的项目，我们提供了严格的保证，投标人的次加性估值。
2021-11-29 cs.GT
Sealed-bid Auctions on Blockchain with Timed Commitment Outsourcing
Tsinghua University（清华大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；City University of Hong Kong（香港城市大学）；Hong Kong Polytechnic University（香港理工大学）
提出定时承诺外包市场解决区块链密封拍卖中解密成本承担问题，通过聚合方案与竞争机制构建双边市场，并证明其满足DSIC、BIC及最优收入等博弈论性质。
2026-10-20 cs.GT
Learning to Bid in Repeated First-Price Auctions with Budgets
针对带预算的重复第一价格拍卖，提出基于对偶的在线学习出价算法，在全信息和单边信息反馈下均达到近最优 $\widetilde{O}(\sqrt{T})$ 遗憾，并用实验验证其有效性。
2023-04-26 cs.GT
On-Chain Auctions with Deposits
有保证金的第二价格拍卖在区块链环境中经常使用。拍卖发生在链上：投标人在智能合约中存入完全覆盖其出价（但可能超过它）的金额。保证金是用来作为保险对投标人不履行其出价，如果他们赢了。在拍卖的出价阶段，公开观察的是押金，而不是出价。如果投标按顺序发生，押金的可见性可以从根本上改变拍卖的战略结构：投标是昂贵的，因为押金是昂贵的。因此，存款可以被用作高估值的昂贵信号。这是多重低效率的根源：为了进行昂贵的信号传递，首先出价并具有高估值的投标人通常会在均衡中过度存款，即比他出价的多。此外，如果估价很可能很高，则可以通过高保证金来阻止进入：先出价的出价人可以阻止后来的出价人进入拍卖。池化可以在均衡状态下发生，即不同估值的竞标者存入相同的金额。拍卖未能将物品分配给估价最高的竞买人。
2022-07-17 cs.GT econ.TH
Strategic Bid Shading in Real-Time Bidding Auctions in Ad Exchange Using Minority Game Theory
本文研究实时广告拍卖中基于少数游戏理论的战略投标遮蔽行为，通过分析大规模拍卖数据揭示少数策略对投标人动态和定价的影响。
2025-12-02 cs.GT econ.TH
Self-Confirming Price Prediction for Bidding in Simultaneous Ascending Auctions
同时递增拍卖代理人的曝光问题：投标获得一个捆绑的风险，获得一个不想要的商品子集的可能性。拍卖理论对处理这一问题没有提供什么指导。我们提出了一个新的家庭decisiontheoretical投标策略，使用概率预测的最终价格。我们专注于自我确认的价格分布预测，这是正确的定义，当所有代理人投标决策理论上基于他们。基于这些的投标是可证明的一般不是最优的，但我们的实验证据表明，该策略可以是相当有效的相比，其他已知的方法。
2012-07-04 cs.GT
Learning to bid in revenue-maximizing auctions
研究了在基于投标分布的拍卖中，当卖方确定保留价时，投标策略的优化问题。我们的研究是在一个投标人是战略的设置。使用变分的方法，我们研究了原来的目标的复杂性，我们引入了放松的目标功能，以使用梯度下降方法。我们的方法是简单的，一般性的，可以应用于各种价值分配和收入最大化机制。与传统的如实出价策略相比，我们得出的新策略产生了巨大的提升。
2019-05-14 cs.GT
Bidding Strategies with Gender Nondiscrimination: Constraints for Online Ad Auctions
在线显示广告的出价之间的相互作用可能导致广告商的广告被显示给更多的男性而不是女性，即使广告商不针对男性。我们设计的投标策略，广告商可以用来避免这种紧急歧视，而不必修改的拍卖机制。我们数学分析的策略，以确定额外的成本，以避免歧视的广告客户，证明我们的策略是最佳的，在某些设置。我们使用模拟来了解其他设置。
2019-09-05 cs.GT
Efficiency of non-truthful auctions under auto-bidding
自动出价现在被广泛采用作为广告商和互联网广告之间的接口，因为它允许广告商指定高层次的目标，如最大化价值的限制。以前的研究主要集中在真实的拍卖（如SPA），因为统一出价在这种拍卖中是最优的，这使得它易于管理的原因，均衡。一个诱人的问题是，人们是否可以通过离开真实拍卖的领域来获得更有效的结果。这是第一篇研究无优先级自动投标环境下的非真实拍卖的论文。我们的第一个结果是，非真实性提供没有好处时，考虑确定性拍卖。任何确定性机制都有一个至少为$2$的无政府代价（PoA），即使对于$2$投标者也是如此;这与确定性真实机制所能实现的相匹配。特别地，我们证明了第一价格拍卖的PoA恰好为$2$。对于我们的第二个结果，我们构建了一个随机的非真实拍卖，实现了$2$投标人的PoA为$1.8$。这是针对此问题的最著名的PoA。以前最著名的PoA为这个问题是$1.9$，并实现了一个真实的机制。此外，我们证明了在这种情况下的非真实性的好处表明，这个随机拍卖的真实版本也有一个PoA的$1.9$。最后，我们表明，没有拍卖（即使是随机的，不真实的）可以提高PoA界的$2$的广告客户的数量增长到无穷大。
2022-07-08 cs.GT
Bidder Subset Selection Problem in Auction Design
基于在线广告行业的实际问题，我们研究了单物品拍卖中的投标人子集选择问题。在这个问题中，一个大的候选投标人池具有从已知先验分布中采样的独立值。卖家需要挑选一个投标人的子集，并在选定的子集上运行给定的拍卖格式，以最大化她的预期收入。我们提出了两个框架的子集的限制：（一）能力约束的一组选定的投标人;和（二）邀请参加拍卖的投标人所产生的成本。对于第二价格拍卖与匿名保留（SPA-AR），我们给出了常数近似多项式时间算法在这两个框架（在后一个框架下，对市场的温和假设）。我们的结果与Mehta，Nadav，Psomas，Rubinstein [NeurIPS 2020]的先前工作形成鲜明对比，他们显示了没有保留价的SPA近似的难度。我们还提供了免费的近似结果，其他研究充分的拍卖格式，如匿名张贴定价和顺序张贴定价。在技术层面上，我们发现SPA-AR的收益作为其投标人$S$的集合函数$f(S)$是分数次可加的，但不是次模的。我们的投标人选择问题的邀请成本是一个自然的问题（近似）回答一个需求预言$f(\cdot)$在给定的向量的成本，一个常见的计算假设在文献中的组合拍卖。
2022-11-20 cs.GT
Bidding to the Top: VCG and Equilibria of Position-Based Auctions
许多流行的搜索引擎都会通过拍卖来确定搜索结果旁边的广告位置。目前在谷歌和雅虎拍卖！让广告商指定一个单一的金额作为他们在拍卖中的出价。这个出价被解释为广告客户愿意为每次点击支付的最高金额。当搜索查询到达时，出价被用于在搜索结果页面上对广告进行线性排名。广告商为每个点击广告的用户付费，收费金额取决于参与拍卖的所有广告商的出价。为了有效，广告商寻求在他们的预算允许的范围内尽可能地在名单上名列前茅，这取决于市场。我们研究的问题，排名广告和相关的定价机制时，广告客户不仅指定一个出价，但另外表示他们的偏好的位置在列表中的广告。特别是，我们研究“前缀位置拍卖”，广告客户$i$可以指定，她只感兴趣的顶部$b_i$的位置。我们提出了一个简单的分配和定价机制，概括了目前的拍卖，没有位置限制的理想属性。此外，我们表明，我们的拍卖有一个“无嫉妒”或“对称”的纳什均衡与相同的结果，在分配和定价的著名的真实维克雷-克拉克-格罗夫斯（VCG）拍卖。此外，我们表明，这个均衡是最好的这样的均衡广告商的利润由每个广告商。我们还讨论了其他基于位置的拍卖。
2006-07-26 cs.GT
Applying Opponent Modeling for Automatic Bidding in Online Repeated Auctions
本文针对在线重复拍卖中竞拍者与卖方同时学习的场景，提出 Bid Net 策略表示和基于对手建模的 PG 算法，使竞拍者能学习最优出价策略并收敛到博弈均衡，从而最大化竞拍者效用。
2024-02-27 cs.GT
Optimal Deterministic Auctions with Correlated Priors
我们重新设计的利润最大化的单一物品拍卖，解决了迈尔森在他的开创性论文的情况下，投标人的估价是独立分布的问题。我们专注于一般的联合分布，寻求最佳的确定性激励兼容拍卖。我们给出了一个几何特征的最优拍卖，从而在一个对偶定理和一个有效的算法，找到最佳的确定性拍卖在两个投标人的情况下，一个NP-完全性结果为三个或更多的投标人。
2012-05-14 cs.GT
Secondary Spectrum Auctions for Markets with Communication Constraints
拍卖已被提出作为一种方式，以提供经济激励的主要用户动态分配未使用的频谱给其他用户在需要it.Previously提出的计划没有考虑到这样的事实，即用户的功率约束可能会阻止他们发送他们的投标价格拍卖商与高精度和发送投标价格必须通过噪声信道。这些方案还具有在无线标准中不能适应的非常高的开销。我们提出了拍卖方案，中央结算机构拍卖频谱的用户谁出价，同时考虑到量化的价格，在出价启示的开销，和噪声的渠道明确。我们的计划是密切相关的通道输出反馈问题，具体来说，后验匹配的技术。我们考虑了几种情况下，清算机构的目标是授予频谱的投标人谁价值最频谱。我们从理论上证明了这一目标是渐近达到我们的计划时，投标人是非战略常数出价。我们提出了单独的计划，使战略用户真实地揭示他们的私人价值，拍卖多个子渠道之间的战略用户，并跟踪缓慢随时间变化的投标价格。我们的模拟说明了我们的计划恒定的投标价格的最优性，也证明了我们的跟踪算法的有效性缓慢随时间变化的出价。
2014-12-23 cs.GT
Lowest Unique Bid Auctions with Resubmission Opportunities
最近的在线平台提出了多个投标项目。然而，目前的技术水平仅限于分析一件拍卖品而无需重新提交。本文研究了预算约束下离散投标空间中带重新提交的多物品最低唯一投标拍卖问题。我们表明，游戏没有纯贝叶斯-纳什均衡（除了在非常特殊的情况下）。然而，至少有一个混合贝叶斯纳什均衡存在任意数量的投标人和项目。平衡是明确计算两个投标人设置重新提交的可能性。在一般情况下，我们提出了一个分布式的战略学习算法，以近似平衡。计算机模拟表明，该误差在几个步骤中迅速衰减。当每个项目的投标人的数量服从泊松分布，它表明，卖方可以得到一个不可忽略的收入在几个项目，从而使一部分的真实价值的项目的启示。最后，考虑投标人对风险的态度。相对于风险中性代理谁出价非常小的价值，累积分布和投标支持的风险敏感代理更分散。
2017-02-28 cs.GT
On the Inefficiency of Standard Multi-Unit Auctions
我们研究了两种标准的多单位拍卖格式，用于将单个物品的多个单位分配给多需求投标人。第一种是歧视性拍卖，它向每一位获胜者收取中标费。第二种是统一价格拍卖，确定每单位支付的统一价格。这两种形式的变体都有应用，从向投资者分配国家债券，到在流行的在线经纪商的推动下通过互联网进行在线销售。对于这些格式，我们考虑两个投标接口：（i）标准投标，这是最普遍的科学文献，和（ii）统一投标，这是更流行的实践。在这项工作中，我们评估的经济效率的多单位拍卖格式的投标接口，通过上界和下界的无政府代价价格的纯纳什均衡和混合贝叶斯-纳什均衡。我们的发展显着改善了最近在[Markakis，Telelis，ToCS 2014]和[Syrgkanis，Tardos，STOC 2013]中获得的子模赋值函数的界限。此外，我们认为第一次投标人与次加性的估价功能，这些拍卖格式。我们的结果表明这些拍卖几乎是高效的，这为它们在实践中的使用提供了进一步的理由。
2016-04-29 cs.GT
Learning Valuation Distributions from Partial Observation
拍卖理论传统上假设投标人的估价分布是拍卖师已知的，例如著名的收入最优的迈尔森拍卖。然而，这一理论并没有描述拍卖人是如何获得这些信息的。最近，Cole和Roughgarden [2014]表明，基于每个投标人分布的独立抽取的有限样本的近似值足以产生接近最优的拍卖。在这项工作中，我们考虑的问题，学习投标人的估值分布从更弱的形式的观察。具体来说，我们考虑一个设置，其中有一个重复的，密封投标拍卖与$n$投标人，但所有我们观察到的每一轮是谁赢了，但没有多少他们出价或支付。我们也可以参与（即，我们自己去看吧，看我们什么时候能赢。从这些信息中，我们的目标是（大约）恢复基本出价分布的固有可恢复部分。我们还考虑扩展不同的子集的投标人参与每一轮，投标人的估值有一个共同的价值成分添加到他们的独立的私人价值。
2014-07-10 cs.GT
Optimal Bidding in Repeated Wireless Spectrum Auctions with Budget Constraints
参与二级无线频谱市场的小型运营商通常有严格的预算限制。本文研究了预算受限的运营商在重复二次频谱拍卖中的投标问题。在现有的真实拍卖中，真实出价是投标人的最优策略。然而，预算限制会影响投标行为，并使投标决策变得复杂，因为投标人可能会采取不同的行为，以避免资金耗尽。我们制定的问题作为一个动态的拍卖游戏运营商之间，其他运营商的知识是有限的，由于无线网络/市场的分布式性质。首先，我们提出了一个马尔可夫决策过程（MDP）制定的问题，并描述了最佳的投标策略的运营商，提供了对手的出价是独立同分布。接下来，我们将该公式推广到马尔可夫博弈，结合无模型强化学习方法，使操作员能够根据局部观察对其对手做出推断。最后，我们提出了一个完全分布式的基于学习的投标算法，它只依赖于本地信息。我们的数值结果表明，我们提出的学习为基础的投标结果在一个更好的效用比真实的投标。
2016-08-26 cs.GT cs.NI
Learning in Repeated Multi-Unit Pay-As-Bid Auctions
Massachusetts Institute of Technology（麻省理工学院）
研究重复多单位按出价支付拍卖中的单一投标者出价优化问题，利用效用解耦技巧设计了完全信息与bandit反馈下的高效在线学习算法并给出了紧致的遗憾上下界，模拟表明PAB机制收敛快且收入更高。
2024-11-09 cs.AI cs.DS cs.GT
A Sealed-bid Auction with Fund Binding: Preventing Maximum Bidding Price Leakage
针对现有密封投标拍卖协议保证金易泄露最高投标价、缺乏资金绑定的问题，提出利用以太坊交易不可区分性与DECO技术的新协议，同时隐藏投标价与最高价并实现资金绑定，且给出了实现与费用对比。
2023-12-13 cs.CR cs.GT
Learning against Non-credible Auctions
本文研究非可信重复第二价格拍卖中的在线竞价问题，竞价者需同时学习竞争对手出价分布与卖家可信度，作者在多种信息模型下建立遗憾下界并提供近最优的在线竞价算法。
2023-11-26 cs.GT
Strategic Bidding in Knapsack Auctions
本文通过理论、实验和AI模拟分析统一价格、歧视性价格和广义第二价格三种背包拍卖，发现统一价格拍卖真实出价与效率最高，后两者收益更优，为NP难问题的拍卖求解和市场设计提供见解。
2024-05-01 cs.GT econ.TH
Adversarial Risk Analysis for First-Price Sealed-Bid Auctions
对抗性风险分析（ARA）是一种新兴的方法，被认为比传统的决策理论和博弈论方法具有优势。ARA解决方案的第一价格密封投标（FPSB）拍卖已被发现，但只有在强烈的假设，使模型有点不切实际。在本文中，我们使用ARA方法来模拟FPSB拍卖使用更现实的假设。我们定义了一个新的效用函数，考虑投标人的财富，我们假设一个保留价，并找到解决方案，不仅为风险中性，但也为风险规避以及风险寻求投标人。我们使用ARA为非战略性游戏和K级思维解决方案概念建模。
2020-03-18 cs.GT stat.AP
Optimal Bidding Strategies for Online Ad Auctions with Overlapping Targeting Criteria
我们分析的问题，如何最佳出价的广告空间在网上广告拍卖。为此，我们考虑多个广告活动与重叠的目标标准的一般情况。在我们的分析中，我们首先描述了最优投标策略的结构。特别是，我们表明，一个最佳的投标策略分解成不相交的运动和目标群体的问题。此外，我们表明，纯投标策略，只使用一个单一的出价值为每个运动是不是最优的供应曲线时，是不连续的。对于这种情况下，我们得出一个下限的任何投标策略的最优成本，以及混合投标策略，要么达到下限，或可以任意接近它。
2020-04-15 cs.GT math.OC
Learning and Trust in Auction Markets
在本文中，我们研究的投标人的行为在一个实验性的推出一个新的广告拍卖平台的Zillow，作为Zillow从谈判合同切换到使用拍卖在几个地理上孤立的市场。这个实验的一个独特之处是，这个市场中的投标人是代表自己投标的房地产经纪人，而不是使用第三方中介。为了帮助投标人，Zillow还提供了一个推荐工具，为每个投标人提供建议。本文主要研究投标人是否采用平台提供的投标推荐的决策问题。我们注意到，很大一部分投标人没有使用推荐的投标。使用代理的出价历史，我们推断他们的价值，并将代理的后悔与他们的实际出价历史进行比较，结果他们会得到以下的建议。我们发现，对于一半的代理人不遵循的建议，增加的努力，试验替代出价的结果增加遗憾，即，他们从系统中获得的净值减少了。随着市场的成熟，不遵循建议的代理商比例缓慢下降，但在我们观察的大多数市场中，这一比例仍然很大。我们认为，这种现象的主要原因是缺乏信任的平台提供的工具。我们的工作为基于拍卖的在线广告平台的可能设计选择提供了经验性的见解。虽然搜索广告平台（如谷歌或必应）允许投标人自己提交投标，但许多显示广告平台（如Facebook）代表投标人优化投标，并消除投标的必要性。我们的实证分析表明，后一种方法是首选的投标人是个人，谁没有访问第三方工具，谁可能会质疑平台提供的建议的公平性的市场。
2017-03-30 cs.GT
Artificial Intelligence and Auction Design
Stanford Graduate School of Business, Stanford University（斯坦福大学斯坦福商学院）
受在线广告拍卖的启发，我们研究了简单人工智能算法（Q学习）重复拍卖中的拍卖设计。我们发现，第一价格拍卖，没有额外的反馈，导致默许串通的结果（出价低于价值），而第二价格拍卖没有。我们表明，差异是由激励在第一价格拍卖，出价超过对手，只有一个出价增量。这有助于在一个试验阶段之后对低出价进行重新协调。我们还表明，提供有关最低出价的信息，以赢得，介绍了由谷歌在切换到第一价格拍卖的时候，提高了拍卖的竞争力。
2022-02-12 cs.AI cs.GT econ.TH
Rate of Price Discovery in Iterative Combinatorial Auctions
研究了一类迭代组合拍卖问题，该问题可以看作是求解供需平衡的定价问题的次梯度下降方法。我们提供了具体的收敛速度拍卖在这个类中，边界的拍卖轮数需要达到清算价格。我们的分析允许各种定价方案，包括项目，捆绑，多项式定价，和各自的收敛速度确认，更有表现力的定价方案来的成本较慢的收敛。我们考虑两个模型的投标人的行为。在第一个模型中，投标人的行为随机根据随机效用模型，其中包括标准的最佳反应投标作为一种特殊情况。在第二种模式中，投标人的行为是任意的（甚至是敌对的），而有意义的收敛依赖于设计合理的活动规则。
2016-05-31 cs.GT
On the Complexity of Equilibrium Computation in First-Price Auctions
本文研究了在连续价值分布和离散报价空间下，一价拍卖的（纯）贝叶斯-纳什均衡的计算问题。我们证明，当投标人有独立的主观先验信念的价值分布的其他投标人，计算$\varepsilon$ -均衡的拍卖是PPAD-完全的，计算精确的均衡是FIXP-完全的。我们还提供了一个有效的算法来解决一个特殊的情况下的问题，一个固定数量的投标人和可用的投标。
2023-03-03 cs.CC cs.GT
Leveraging the Hints: Adaptive Bidding in Repeated First-Price Auctions
MIT（麻省理工学院）；Arena Technologies（阿雷纳科技公司）；Yahoo! Research（雅虎研究院）；Stanford（斯坦福大学）；NYU Stern（纽约大学斯特恩商学院）
随着电子商务的出现和日益巩固，数字广告最近取代传统广告成为经济中的主要营销力量。在过去的四年里，数字广告行业的一个特别重要的发展是在线展示广告从第二价格拍卖转向第一价格拍卖。这种转变立即激发了如何在第一价格拍卖中出价的智力挑战问题，因为与第二价格拍卖不同，真实地出价一个人的私人价值不再是最佳的。在这一领域的一系列最新工作之后，我们考虑了一个差异化的设置：我们不对其他投标人的最高出价做出任何假设（即随着时间的推移，它可能是对抗性的），而是假设我们可以访问作为其他投标人最高出价预测的提示，其中预测是通过一些黑盒机器学习模型学习的。我们考虑两种类型的提示：一种是单点预测可用，另一种是提示区间（表示其他人的最大出价落入的置信区间）可用。我们建立最小最大最优遗憾界的两种情况下，并强调两种设置之间的定量不同的行为。我们还提供了改进的遗憾界时，其他人的最大出价表现出进一步的稀疏结构。最后，我们补充的理论结果与示范使用真实的投标数据。
2022-11-05 cs.GT cs.LG
Do Not Trust The Auctioneer: Learning to Bid in Feedback-Manipulated Auctions
Università degli Studi di Milano（米兰大学）；Crest-Ensae（Ensae研究中心）；IP Paris（巴黎研究所）；CRITEO AI Team（CRITEO人工智能团队）
研究在反馈操纵拍卖中学习出价的问题，提出一种结合鲁棒区间消除分支和乐观分支的算法，以应对反馈操纵带来的挑战，并在单活跃区域情况下提供匹配下界。
2026-05-21 cs.GT cs.LG stat.ML
Time-Varyingness in Auction Breaks Revenue Equivalence
CyberAgent
本研究探讨了拍卖中断中收入等价性是否被破坏，发现基础价值与价值区间之间的相关性导致收入等价性破裂。
2026-02-19 cs.GT cs.MA econ.TH
An Efficient Deep Distribution Network for Bid Shading in First-Price Auctions
Yahoo Research（雅虎研究院）；Verizon Media（威瑞森传媒）；Tencent（腾讯）
自2019年以来，在线广告行业的大多数广告交易所和卖方平台（SSP）从第二价格拍卖转向第一价格拍卖。由于这些拍卖之间的根本差异，需求方平台（DSP）不得不更新其投标策略，以避免出价不必要的高，从而支付过高。出价遮蔽被提出来调整第二价格拍卖的出价，以平衡第一价格拍卖中的成本和获胜概率。在这项研究中，我们引入了一种新的深度分布网络，用于开放（非审查）和封闭（审查）在线一价拍卖中的最优投标。离线和在线A/B测试结果表明，我们的算法优于以前的最先进的算法在盈余和有效的每动作成本（eCPX）指标。此外，该算法在运行时进行了优化，并已部署到VerizonMedia DSP中作为生产算法，每天服务数千亿个投标请求。在线A/B测试表明，广告主的ROI分别提高了+2.4%，+2.4%，+8.6%，基于印象（CPM），基于点击（CPC）和基于转换（CPA）的活动。
2021-07-15 cs.GT cs.LG stat.ML
Coordinated Dynamic Bidding in Repeated Second-Price Auctions with Budgets
Peking University（北京大学）；Huawei TCS Lab（华为TCS实验室）
该研究针对带预算的重复第二价格拍卖场景，提出可保证每个客户效用高于独立出价最优水平、实现最大联盟福利的协同出价算法，并通过实验验证性能，填补了带约束在线重复拍卖中竞拍者协同研究的空白。
2023-06-13 cs.GT cs.LG econ.TH
Bid Shading in The Brave New World of First-Price Auctions
Yahoo Research, Verizon Media（雅虎研究院，威瑞森媒体）
在线拍卖在在线广告中发挥着核心作用，是该行业可扩展性和增长的主要原因之一。随着拍卖组织方式的巨大变化，例如将第二价格拍卖类型改为第一价格拍卖类型，广告商和需求平台被迫适应新的不稳定环境。出价遮蔽是一种用于防止拍卖系统中的过度支付的已知技术，其可以帮助维持第一价格拍卖中的策略均衡，解决其最大缺点之一。在这项研究中，我们提出了一个机器学习方法建模的最佳出价着色的非审查在线一价广告拍卖。我们明确地激励了这种方法，并在一个主要的需求方平台上，在离线和在线设置中对其进行了广泛的评估。结果表明，新方法的优越性和鲁棒性相比，现有的方法在一系列的性能指标。
2020-09-02 cs.GT cs.LG stat.ML
Double Distributionally Robust Bid Shading for First Price Auctions
本文针对第一价格拍卖中价值与竞争格局估计噪声大的问题，提出基于Kullback-Leibler模糊集的双重分布鲁棒出价遮蔽策略，并在Yahoo DSP真实数据上验证其优于非鲁棒方法。
2024-10-18 cs.GT math.OC
Bid Prediction in Repeated Auctions with Learning
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Microsoft Research（微软研究院）
我们认为在重复拍卖的出价预测问题和评估的经济计量学方法的学习代理使用的数据集从主流赞助搜索拍卖市场的性能。赞助搜索拍卖是一个价值数十亿美元的行业，也是几家科技巨头的主要收入来源。优化此类市场的一个关键问题是了解投标人将如何对拍卖设计的变化做出反应。我们建议使用基于无遗憾的计量经济学的出价预测，建模球员作为无遗憾的学习者的效用函数，未知的分析师。我们提出了新的计量经济学方法，同时学习玩家的效用和她的学习规则的参数，并将这些方法应用于现实世界的数据集从BingAds赞助的搜索拍卖市场。我们发现，当没有协变量变化时，无遗憾计量经济学方法的表现与最先进的时间序列机器学习方法相当，但当训练和测试期间之间存在协变量变化时，无遗憾计量经济学方法的表现明显优于机器学习方法。这说明了使用结构计量经济学方法预测参与者将如何应对市场变化的重要性。此外，我们发现，在结构计量经济学方法中，基于无悔学习的方法优于更传统的，基于均衡的计量经济学方法，这些方法假设玩家对竞争的反应持续最佳。最后，我们演示了如何通过考虑投标人优化的效用函数与可见性偏差组件的无遗憾学习算法的预测性能可以进一步提高。
2020-10-30 cs.GT cs.LG
Side-by-side first-price auctions with imperfect bidders
本文研究了并行第一价格拍卖中不完美投标者的行为，通过迭代最佳响应算法证明均衡存在性，并提出可计算的定量分析方法。
2025-12-04 cs.GT econ.TH math.OC
Online Learning of Optimal Bidding Strategy in Repeated Multi-Commodity Auctions
Cornell University（康奈尔大学）
研究了重复拍卖中投标人的在线学习问题。以最大化其T期收益为目标，投标人确定其预算在每个时期的$K$货物投标中的最优分配。作为投标策略，我们提出了一个多项式时间算法，启发的动态规划方法的背包问题。所提出的算法，称为离散集上的动态规划（DPDS），实现了$O(\sqrt{T\log{T}})$的遗憾顺序。通过证明对于任何策略，遗憾是$Ω(\sqrt{T})$的下界，我们得出结论，DPDS是顺序最优的$\sqrt{\log{T}}$条款。我们评估的DPDS经验的虚拟交易的背景下，在批发电力市场的性能，通过使用历史数据从纽约市场。实证结果表明，DPDS始终优于来自机器学习和在线学习方法的基准探试法。
2017-11-17 cs.GT cs.LG
Beckmann's approach to multi-item multi-bidder auctions
我们考虑了多个投标人对多个物品具有独立的私人价值的收益最大化贝叶斯拍卖设计问题。我们表明，它可以减少到连续的最优运输问题引入的贝克曼（1952年），其中的最优运输流推广的概念，熨虚拟估价的多项目设置。我们建立了两个问题之间的强对偶性和解的存在性。结果依赖于优化和最佳运输理论的见解以及Hart和Reny（2015）对可行临时机制的描述。
2022-09-06 cs.GT econ.TH math.FA
Equilibrium strategy and population-size effects in lowest unique bid auctions
在最低唯一出价拍卖中，$N$玩家出价购买物品。获胜者是谁的地方\emph{lowest}出价，只要它也是唯一的。我们使用一个大典的方法来推导出一个分析表达式的均衡分布的战略。然后，我们研究的解决方案作为一个函数的平均玩家数量的属性，并比较它们与一个大型的互联网拍卖数据集。该理论与小群体大小$N$的数据具有惊人的准确性，而对于较大的$N$，观察到一个质的不同的分布。我们解释这一结果的出现，两个不同的制度，其中一个适应是可行的，在其中一个是不。我们的研究结果质疑了大量人口在参与集体游戏时适应并找到最佳策略的实际可能性。
2012-02-25 cs.GT physics.soc-ph q-fin.GN
Learning to Bid Optimally and Efficiently in Adversarial First-price Auctions
Courant Institute of Mathematical Sciences and the Center for Data Science, New York University（Courant数学科学研究所和数据科学中心，纽约大学）；Stern School of Business, New York University（商学院，纽约大学）；Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学）；Yahoo! Research at Verizon Media（Verizon Media的Yahoo!研究）
针对首价拍卖中投标人面临的最优出价问题，提出首个极小极大最优在线出价算法，实现$\widetilde{O}(\sqrt{T})$遗憾，并通过层次化专家链结构改进为计算高效版本，在真实数据集上验证了优越性能。
2025-09-24 cs.GT cs.IT cs.LG
Designing Auctions when Algorithms Learn to Bid
本文通过计算实验室框架研究算法投标对拍卖收益的影响，发现市场结构参数比算法设计更重要，不同算法类别的投标技术影响拍卖格式选择。
2026-03-20 cs.GT cs.MA econ.GN
Online Causal Inference for Advertising in Real-Time Bidding Auctions
Cornell Johnson（康奈尔大学约翰逊商学院）；Berkeley EECS（加州大学伯克利分校电气工程与计算机科学系）；Stanford GSB（斯坦福大学商学院）；UCSD Rady（加州大学圣迭戈分校雷迪管理学院）；Yale SOM（耶鲁大学管理学院）；Insper（因斯佩尔商学院）；Chicago Booth（芝加哥大学布斯商学院）；Temple Fox（天普大学福克斯商学院）
本文针对实时竞价拍卖中的广告效果评估问题，提出基于最优出价识别的因果推断方法，并设计自适应汤普森采样算法在最小化实验成本的同时恢复广告效果，理论和实验均验证了其优越性。
2024-02-26 cs.GT cs.LG econ.EM
Reserve Pricing in Repeated Second-Price Auctions with Strategic Bidders
Yandex（扬德克斯）；MSU（莫斯科国立大学）
我们研究收入优化学习算法的重复第二价格拍卖与保留，卖方与多个战略投标人，其中每个人都持有一个固定的私人估价的好，并寻求最大化他的预期未来累计贴现盈余。我们提出了一种新的算法，具有战略遗憾的最坏情况下的估值上界$O(\log\log T)$。这个定价是基于我们的新的转换，升级了一个算法设计的设置与一个单一的买家多买家的情况下。我们提供了理论保证的能力，一个转换后的算法学习的战略买家，这对未来的不确定性，由于竞争对手的存在的估值。
2019-06-21 cs.GT cs.LG stat.ML
Multi-Platform Budget Management in Ad Markets with Non-IC Auctions
MIT（麻省理工学院）；Meta Platforms, Inc.（Meta平台公司）
针对在线广告市场多平台非激励相容拍卖下的预算约束出价问题，提出最优出价策略与在线学习算法，实现期望效用最大化与$O(T^{3/4})$悔值，在合成及真实数据集上表现优于现有自适应步速算法。
2023-06-12 cs.GT cs.LG math.OC
Duality for Optimal Multi-Item, Multi-Bidder Auction Design: Revenue Certificates through Deep Learning
Harvard University（哈佛大学）；College of AI, Tsinghua University（清华大学人工智能学院）
提出首个直接处理多物品多竞拍者拍卖对偶问题的计算框架，通过神经网络参数化拉格朗日乘子并引入提升技术，生成可证明的收入上界，为连续类型提供近最优性证书。
2026-06-08 cs.AI cs.GT cs.LG
