[논문 리뷰] Revenue Optimization with Approximate Bid Predictions

Andrés Felipe Ochoa Muñoz, Sergei Vassilvitskii|arXiv (Cornell University)|2017. 06. 15.

Auction Theory and Applications인용 수 41

한 줄 요약

이 논문은 광고 입찰에서 리저브 가격 최적화 문제를 제곱 손실 하에 예측 문제로 프레임워크화하여, 표준 기계학습 모델의 사용을 가능하게 한다. 예측 오차와 수익 손실 간의 공식적 유계를 수립함으로써, 표준 기계학습 성능과 입찰 수익 결과 간의 첫 이론적 연결 고리를 제공한다.

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.

연구 동기 및 목표

• 비볼록 목적이 있는 이질적 광고 입찰 환경에서 최적 리저브 가격 설정 문제에 대응하기 위해.
• 복잡한 리저브 가격 최적화 문제를 제곱 손실을 갖는 표준 지도 학습 작업으로 환원하기 위해.
• 입찰 예측 오차가 입찰 수익 손실로 어떻게 전이되는지 정량적으로 분석하기 위해.
• 수익 중심 입찰 메커니즘에 표준 기계학습 모델을 사용하기 위한 이론적 기반을 제공하기 위해.

제안 방법

• 리저브 가격 최적화 문제를 예측 목표가 되는 기대 입찰을 예측하는 회귀 문제로 재구성하기 위해.
• 역사적 데이터에서 제곱 손실을 최소화하는 표준 기계학습 모델을 사용해 입찰을 예측하기 위해.
• 모델의 평균 제곱 예측 오차와 기대 수익 손실 간의 이론적 유계를 유도하기 위해.
• 제곱 손실 하에서 예측 오차를 최소화하는 것이 실제로 입찰 환경에서 기대 수익 손실을 최소화함을 보여주기 위해.
• 지도 학습에서 알려진 일반화 유계를 활용해 수익 최적화 과정의 견고성을 확보하기 위해.

실험 결과

연구 질문

• RQ1 광고 입찰에서 리저브 가격 최적화 문제를 어떻게 표준 기계학습 예측 문제로 환원할 수 있는가?
• RQ2 입찰 예측 정확도와 그로 인한 입찰 수익 간의 이론적 관계는 무엇인가?
• RQ3 제곱 손실 기반으로 훈련된 기존 기계학습 모델을 비볼록 입찰 환경에서 수익 최적화에 활용할 수 있는가?
• RQ4 실제로 입찰 예측 오차가 기대 수익 손실에 어느 정도 영향을 미치는가?

주요 결과

• 논문은 기대 수익 손실과 입찰 예측기의 평균 제곱 예측 오차 간의 공식적 이론적 유계를 수립한다.
• 이 유계는 제곱 손실 하에서 예측 오차를 최소화함으로써 실제로 입찰 환경에서 기대 수익 손실을 최소화함을 보여준다.
• 리저브 가격 최적화를 표준 학습 문제로 환원함으로써 잘 이해된 기계학습 도구와 일반화 보장을 활용할 수 있다.
• 이 접근법은 특수한 입찰 기반 훈련이 필요 없이도 기존 기계학습 모델을 수익 최적화에 원칙적으로 활용할 수 있도록 한다.