[논문 리뷰] AHBid: An Adaptable Hierarchical Bidding Framework for Cross-Channel Advertising

Xinxin Yang, Yangyang Tang외 4명|arXiv (Cornell University)|2026. 02. 26.

Consumer Market Behavior and Pricing인용 수 0

한 줄 요약

AHBid는 확산 모델 기반의 고수준 플래너와 제어 기반의 저수준 비더를 결합하여 예산과 CPC 제약 하에서 크로스 채널 자동입찰을 최적화하고, Baselines 대비 눈에 띄는 ROI 이익을 달성합니다. 온라인 테스트에서 전체 수익이 약 13.57% 향상되었습니다.

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.

연구 동기 및 목표

• 동적 광고 환경에서 예산 및 CPC 제약 하에 크로스 채널 자동입찰에 대한 동기 부여.
• 생성 계획과 실시간 제어를 활용한 이중 계층 프레임워크를 개발하여 적응성 및 ROI를 개선.
• 의사 결정의 안정화와 채널 간 할당 최적화를 위해 시간적 패턴과 과거 의존성을 포착.
• 대규모 오프라인 데이터셋과 온라인 A/B 테스트를 통해 효과를 입증합니다.

제안 방법

• J 채널과 단계별 목표가 포함된 크로스-채널 제약 입찰(c3-bidding) 문제 공식화 도입.
• 고수준 플래너(diffusion-model 기반)가 채널당 M 단계에 걸친 목표 궤적을 생성하는 AHBid를 제안.
• 제약 위반을 적응적으로 페널티화하는 제약 강제화 기제와 이력을 이용한 궤적 보정(inpainting)으로 반응성을 개선.
• CPC 및 예산 제약 하에서 입찰을 조정하기 위해 과거 MPC에서 영감을 받은 듀얼 변수 모델과 실시간 LP 보정을 결합한 제어 기반 비더를 개발.
• 조건부 확산 모델링과 Classifier-free 가이드라인을 통한 향상된 손실 및 제약 위반 신호를 결합한 학습으로 플래너를 학습.
• 과거 데이터에서 이중 매개변수 업데이트를 학습하고 온라인 정보를 사용해 이를 보정하여 비더의 적응성을 높이고, 과거와 실시간 출력의 가중 결합 방식을 적용.

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

실험 결과

연구 질문

• RQ1 확산 모델 기반 플래너가 시간적 패턴과 과거 맥락을 효과적으로 포착하여 교차 채널 간 예산과 제약을 할당할 수 있는가?
• RQ2 온라인 입찰에서 생성 계획을 사용할 때 제약 만족을 어떻게 보장하고 개선할 수 있는가?
• RQ3 과거+실시간의 적응형 이중 모델 입찰 방식이 동적 크로스-채널 광고 환경에서 반응성과 ROI를 개선하는가?
• RQ4 오프라인 데이터셋과 온라인 A/B 테스트에서 AHBid의 실증적 성능은 최첨단 Baselines와 비교해 어떤가?

주요 결과

데이터셋	지표	PID	USCB	CQL	ABPlanner	DiffBid	HiBid	AHBid	향상도
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%

• AHBid는 온라인 실험에서 Baselines 대비 전체 수익이 13.57% 증가합니다.
• 오프라인 평가에서 AHBid 및 그 변형은 AuctionNet 및 GenB-4c 데이터세트에서 PID, USCB, CQL 기반 MCQ, ABPlanner, DiffBid, HiBid를 능가합니다.
• AHBid는 경쟁 방법 대비 더 높은 R(수익)과 개선된 CSR(제약 만족도) 및 BCR(예산 소모율) 지표를 달성합니다.
• 확산 기반 플래너는 채널 간 더 안정적이고 가치가 높은 할당으로 이어지는 단계별 목표를 효과적으로 생성합니다.
• 과거+실시간 입찰 제어기는 환경 변화에 대한 적응성을 높여 동적 CPC 및 예산 조건에서도 성능을 유지합니다.

(a) Comparison of Returns