[論文レビュー] Revenue Optimization with Approximate Bid Predictions

Andrés Felipe Ochoa Muñoz, Sergei Vassilvitskii|arXiv (Cornell University)|Jun 15, 2017

Auction Theory and Applications被引用数 41

ひとこと要約

この論文は、広告オークションにおけるリザーブプライス最適化を二乗損失下の予測問題として定式化し、標準的な機械学習モデルの使用を可能にする。予測誤差と収益損失の間の明確な理論的バインディングを確立し、標準的な機械学習性能とオークション収益結果との間の初めての理論的接続を提供する。

ABSTRACT

In the context of advertising auctions, finding good reserve prices is a notoriously challenging learning problem. This is due to the heterogeneity of ad opportunity types, and the non-convexity of the objective function. In this work, we show how to reduce reserve price optimization to the standard setting of prediction under squared loss, a well understood problem in the learning community. We further bound the gap between the expected bid and revenue in terms of the average loss of the predictor. This is the first result that formally relates the revenue gained to the quality of a standard machine learned model.

研究の動機と目的

• 非凸な目的関数を伴う多様な広告オークションにおける最適リザーブプライスの設定という課題に対処すること。
• 複雑なリザーブプライス最適化問題を、二乗損失を用いた標準的な教師あり学習タスクに簡略化すること。
• 入札推定における予測誤差がオークションにおける収益損失にどのように影響するかを形式的に定量化すること。
• 収益が重要なオークションメカニズムにおいて、市販の機械学習モデルを用いる理論的基盤を提供すること。

提案手法

• リザーブプライス最適化問題を、期待入札を予測することを目的とする回帰タスクに再定式化すること。
• 歴史的データ上で二乗損失を最小化するように、標準的な機械学習モデルを用いて入札を予測すること。
• モデルの平均二乗予測誤差と期待収益損失との間の理論的バインディングを導出すること。
• 二乗損失下での予測誤差の最小化が、オークション設定下での期待収益損失の最小化を直接もたらすことを示すこと。
• 教師あり学習から知られている一般化バインディングを活用し、収益最適化プロセスの頑健性を保証すること。

実験結果

リサーチクエスチョン

• RQ1 広告オークションにおけるリザーブプライス最適化は、どのように標準的な機械学習予測問題に還元できるか？
• RQ2 入札予測の正確さとその結果として得られるオークション収益との間には、どのような理論的関係があるか？
• RQ3 二乗損失下で訓練された既存の機械学習モデルを、非凸なオークション環境でも収益最適化に利用できるか？
• RQ4 実際の状況では、入札推定における予測誤差が期待収益損失にどの程度影響を及えるか？

主な発見

• この論文は、期待収益損失と入札予測子の平均二乗予測誤差との間の形式的理論的バインディングを確立した。
• このバインディングにより、二乗損失下での予測誤差の最小化が、オークション設定下での期待収益損失の最小化を直接もたらすことが示された。
• リザーブプライス最適化を標準的な学習問題に還元することで、よく理解された機械学習ツールと一般化保証の利用が可能になった。
• このアプローチにより、特化したオークション向けのトレーニングを必要とせずに、既存の機械学習モデルを収益最適化に効果的に活用するための原則的枠組みが提供された。