[論文レビュー] AHBid: An Adaptable Hierarchical Bidding Framework for Cross-Channel Advertising

Xinxin Yang, Yangyang Tang+4 more|arXiv (Cornell University)|Feb 26, 2026

Consumer Market Behavior and Pricing被引用数 0

ひとこと要約

AHBid は拡散モデルに基づく高レベルプランナーと制御ベースの低レベルビッダーを組み合わせ、予算と CPC 制約の下でクロスチャネル自動入札を最適化し、ベースラインを上回る ROI を顕著に改善。オンライン試験では全体リターンで約 13.57% の改善を示す。

ABSTRACT

In online advertising, the inherent complexity and dynamic nature of advertising environments necessitate the use of auto-bidding services to assist advertisers in bid optimization. This complexity is further compounded in multi-channel scenarios, where effective allocation of budgets and constraints across channels with distinct behavioral patterns becomes critical for optimizing return on investment. Current approaches predominantly rely on either optimization-based strategies or reinforcement learning techniques. However, optimization-based methods lack flexibility in adapting to dynamic market conditions, while reinforcement learning approaches often struggle to capture essential historical dependencies and observational patterns within the constraints of Markov Decision Process frameworks. To address these limitations, we propose AHBid, an Adaptable Hierarchical Bidding framework that integrates generative planning with real-time control. The framework employs a high-level generative planner based on diffusion models to dynamically allocate budgets and constraints by effectively capturing historical context and temporal patterns. We introduce a constraint enforcement mechanism to ensure compliance with specified constraints, along with a trajectory refinement mechanism that enhances adaptability to environmental changes through the utilization of historical data. The system further incorporates a control-based bidding algorithm that synergistically combines historical knowledge with real-time information, significantly improving both adaptability and operational efficacy. Extensive experiments conducted on large-scale offline datasets and through online A/B tests demonstrate the effectiveness of AHBid, yielding a 13.57% increase in overall return compared to existing baselines.

研究の動機と目的

• 動的な広告環境における予算と CPC 制約下のクロスチャネル自動入札を動機づける。
• 生成的計画とリアルタイム制御を活用して適応性と ROI を向上させる二層フレームワークを開発する。
• 時間的パターンと歴史的依存関係を捉え、意思決定の安定性とチャネル間の配分最適化を実現する。
• 大規模なオフラインデータセットとオンライン A/B テストを通じて有効性を示す。

提案手法

• J チャンネルとステージ毎の目標を持つクロスチャネル制約付き入札問題 formulation（c3-bidding）を導入する。
• 高レベルプランナー（拡散モデルベース）がチャネルごとに M ステージの目標軌道を生成する AHBid を提案する。
• 制約違反を適応的に罰する制約違反抑制メカニズムと、履歴を用いた軌道の修正（inpainting）による応答性向上を組み込む。
• CPC と予算制約の下で入札を調整する、歴史的 MPC に触発されたデュアル変数モデルとリアルタイム LP 改良を組み合わせた制御ベースのビッダーを開発する。
• プランナーは条件付き拡散モデリングと分類器フリーガイダンスを用いた訓練と、拡散目的と制約違反シグナルを混合するハイブリッド損失で訓練する。
• オンライン情報でデュアルパラメータ更新を歴史データから学習し適応させ、歴史的およびリアルタイム出力を加重スキームで組み合わせてビッディングを適応させる。

Figure 1 . Illustration of auto-bidding system applications in multi-channel scenarios.

実験結果

リサーチクエスチョン

• RQ1 拡散モデルベースのプランナーは、クロスチャネルの予算と制約をどのように分配するための時系列パターンと歴史的文脈を効果的に捉えられるか。
• RQ2 オンライン入札で生成計画を用いる際、制約充足をどのように保証・改善できるか。
• RQ3 歴史的+リアルタイムの二モデル入札アプローチは、動的なクロスチャネル広告環境で応答性と ROI を改善できるか。
• RQ4 オフラインデータとオンライン A/B テストの双方で、AHBid が最先端ベースラインと比較してどのような実証性能を示すか。

主な発見

Datasets	Metrics	PID	USCB	CQL	ABPlanner	DiffBid	HiBid	AHBid	improv
AuctionNet	R	206.37	250.30	245.68	275.33	278.16	250.59	280.94	0.99%
AuctionNet	CSR	0.904	0.813	0.835	0.816	0.882	0.842	0.917	1.04%
AuctionNet	BCR	0.764	0.837	0.818	0.879	0.927	0.863	0.936	0.97%
GenB-4c	R	210.43	236.68	242.18	248.45	251.76	275.40	298.59	8.42%
GenB-4c	CSR	0.890	0.798	0.819	0.799	0.826	0.856	0.907	1.91%
GenB-4c	BCR	0.787	0.802	0.813	0.852	0.852	0.869	0.936	7.71%

• AHBid はオンライン実験で、ベースラインに対して全体リターンを 13.57% 増加させる。
• オフライン評価では、AHBid とその派生は、AuctionNet および GenB-4c データセットで PID、USCB、CQL-based MCQ、ABPlanner、DiffBid、HiBid を上回る。
• AHBid は、競合手法と比較して R（リターン）および CSR（制約充足率）と BCR（予算消費率）の指標が高くなる。
• 拡散ベースのプランナーは、チャネル間でより安定的かつ高価値な割り当てを生み出すステージごとの目標を効果的に生成する。
• 歴史的+リアルタイム入札コントローラの組み合わせは、環境変化への適応性を高め、動的 CPC および予算条件下でも性能を維持する。

(a) Comparison of Returns