TL;DR
- چکیده:.
- در این مقاله،.
- ما مطالعه میکنیم که چگونه یک پیشنهاددهنده با محدودیت بودجه باید یاد بگیرد که در مزایدههای مکرر قیمت.
چه اتفاقی افتاد
چکیده:. در این مقاله،.
ما مطالعه میکنیم که چگونه یک پیشنهاددهنده با محدودیت بودجه باید یاد بگیرد که در مزایدههای مکرر قیمت. اول به صورت تطبیقی پیشنهاد دهد تا سود تجمعی را به حداکثر برساند.
این مشکل از تغییر صنعت اخیر از حراجهای قیمت دوم به حراجیهای قیمت اول در تبلیغات. نمایشی ناشی میشود،.
که باعث میشود مناقصه صادقانه کمتر از حد مطلوب باشد. ما یک سیاست مناقصه مبتنی بر شیب نزولی دوگانه پیشنهاد میکنیم که یک متغیر دوگانه را برای محدودیت.
بودجه حفظ میکند،. زیرا پیشنهاد دهنده بودجه را مصرف میکند.
ما دو تنظیم را بر اساس دانش پیشنهاد دهنده از ارزشهای خصوصی آتی تجزیه و تحلیل میکنیم:. (1) یک محیط غیر اطلاعاتی که در آن تمام دانش توزیعی (بهطور بالقوه غیر ثابت) کاملاً ناشناخته است،.
و (ii) یک تنظیم اطلاعاتی که در آن پیشبینی تخصیص بودجه از قبل در دسترس است. ما افت عملکرد (پشیمانی) را نسبت به یک سیاست بهینه با کامل توصیف میکنیم اطلاعات برای تنظیمات.
غیر اطلاعاتی،. نشان میدهیم که پشیمانی ~O(sqrt(T)) به اضافه یک عبارت تغییر مبتنی بر Wasserstein است که غیر ایستایی را.
ثبت میکند،. که برای سفارش بهینه است.
در تنظیمات اطلاعاتی،. عبارت تغییر را میتوان با استفاده از پیش بینیها حذف کرد و پشیمانی ~O(sqrt(T)) به اضافه.
خطای پیش بینی را به همراه داشت. علاوه بر این،.
ما با معرفی یک معیار تصفیه شده بر اساس برنامه تخصیص بودجه در هر دوره،. از محدودیت بودجه جهانی فراتر میرویم و دقیقاً ~O(sqrt(T)) پشیمانی به دست میآوریم.
همچنین زمانی که خط مشی پایه از تخصیص برنامهریزی شده منحرف میشود،. ضمانتهای استحکام ایجاد میکنیم و انحرافات ایده آل و خصمانه را پوشش میدهیم.
علوم کامپیوتر و نظریه بازی (cs. GT) استناد بهعنوان: (یا v1 [cs.
GT] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Yige Wang [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
15:. 26:.
17 UTC (1,. 049 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.