https://arxiv.org/pdf/2107.06650.pdf
Rozwinięcie poprzedniej pracy tych samych autorów, Bid shading by win-rate estimation and surplus maximization.
Celem publikacji jest zaproponowanie metody do bid shadingu, optymalizującej surplus.
Chcą zamodelować prawdopodobieńśtwo wygrania aukcji. Aby to zrobić dzielą pracę na dwa pod-problemy:
- non-censored auctions - gdy strona zwraca wartość bida, który wygrał aukcję
- censored auctions - gdy strona zwraca tylko informację czy wygraliśmy czy nie
Ad.1
W tym przypadku jest prościej - tworzą sieć neuronową, która przyjmuje pewne cechy opisujące bid-request i zwraca parametry pewnego rozkładu, np. log-normalnego (przetestowali kilka). I uczymy sieć w taki sposób, żeby wyjście z tego rozkładu było równe wygrywającej cenie (którą w tym przypadku znamy). W ten sposób znając cechy bid-requestu otrzymujemy PDF rozkładu na wygrywającą cenę.
Ad.2
W typ przypadku modelujemy CDF wygrywającej ceny dokładnie tak jak w Bid shading by win-rate estimation and surplus maximization, z tym że w autorzy przetestowali kilka różnych rozkładów, a w poprzedniej pracy był testowany tylko sigmoid.
Różnicą w stosunku do Bid shading by win-rate estimation and surplus maximization jest to, że tutaj został użyty Golden section search algorithm zamiast bisekcji.