[论文解读] AuctionNet: A Novel Benchmark for Decision-Making in Large-Scale Games

Kefan Su, Yusen Huo+6 more|arXiv (Cornell University)|Dec 14, 2024

Auction Theory and ApplicationsDecision Sciences被引用 3

一句话总结

AuctionNet 是一个基于真实世界在线广告平台构建的大规模广告拍卖决策新基准。它包含一个使用深度生成建模技术模拟广告机会的仿真环境，支持基于广义第二价格（GSP）机制的可配置拍卖，以及 48 个自动出价代理，可在包含 5 亿条记录的数据集上对强化学习与线性规划等算法进行严格评估，并通过 NeurIPS 2024 竞赛完成验证。

ABSTRACT

Decision-making in large-scale games is an essential research area in artificial intelligence (AI) with significant real-world impact. However, the limited access to realistic large-scale game environments has hindered research progress in this area. In this paper, we present AuctionNet, a benchmark for bid decision-making in large-scale ad auctions derived from a real-world online advertising platform. AuctionNet is composed of three parts: an ad auction environment, a pre-generated dataset based on the environment, and performance evaluations of several baseline bid decision-making algorithms. More specifically, the environment effectively replicates the integrity and complexity of real-world ad auctions through the interaction of several modules: the ad opportunity generation module employs deep generative networks to bridge the gap between simulated and real-world data while mitigating the risk of sensitive data exposure; the bidding module implements diverse auto-bidding agents trained with different decision-making algorithms; and the auction module is anchored in the classic Generalized Second Price (GSP) auction but also allows for customization of auction mechanisms as needed. To facilitate research and provide insights into the environment, we have also pre-generated a substantial dataset based on the environment. The dataset contains 10 million ad opportunities, 48 diverse auto-bidding agents, and over 500 million auction records. Performance evaluations of baseline algorithms such as linear programming, reinforcement learning, and generative models for bid decision-making are also presented as a part of AuctionNet. We believe that AuctionNet is applicable not only to research on bid decision-making in ad auctions but also to the general area of decision-making in large-scale games.

研究动机与目标

• 解决当前人工智能研究在广告拍卖领域缺乏真实、可访问的大规模博弈环境的问题。
• 开发一个可扩展、保护隐私的基准，真实反映现实世界广告拍卖的动态机制。
• 在复杂、多智能体、时变的条件下，系统性地评估出价决策算法的表现。
• 通过标准化、可复现的测试平台，支持强化学习、机制设计与运筹学领域的研究。
• 为未来在大规模系统中不确定性下的战略决策研究提供基础。

提出的方法

• 广告机会生成模块采用深度生成网络，合成既真实又保护隐私的数据，弥合仿真与真实分布之间的差距。
• 出价模块支持 48 种多样化的自动出价代理，其训练算法各不相同，包括强化学习、线性规划与生成模型。
• 拍卖模块以广义第二价格（GSP）机制为基础，但支持自定义拍卖规则，以适应多样的研究场景。
• 广告价值的时间模式通过受 Transformer 和扩散模型启发的位置编码进行建模，提升时间序列出价决策中的序列建模能力。
• 采用类似 U-Net 的架构并结合多头注意力机制，训练价值预测模型，基于上下文特征预测广告机会的价值。
• 该基准包含一个预生成的数据集，包含 1000 万个广告机会、48 个代理，以及超过 5 亿条拍卖记录，支持可复现的评估。

实验结果

研究问题

• RQ1 在大规模、真实的广告拍卖环境中，标准出价决策算法（如线性规划与强化学习）的泛化能力如何？
• RQ2 深度生成模型在保护数据隐私的前提下，多大程度上能够有效模拟真实世界的广告拍卖动态？
• RQ3 在竞争性多智能体环境中，不同自动出价策略在 ROI 目标与预算限制等不同约束下的表现如何？
• RQ4 该基准是否能够支持在多种拍卖机制下对决策算法进行可扩展、可复现的评估？
• RQ5 在模拟但真实的环境中分析 5 亿条拍卖记录，能获得哪些有价值的洞见？

主要发现

• AuctionNet 成功支撑了 NeurIPS 2024 大规模拍卖自动出价竞赛，为超过 1500 支参赛团队提供了标准化环境。
• 通过广告机会的深度生成建模，该基准能够高保真地模拟真实世界的广告拍卖动态，包括时间模式与多智能体竞争。
• 性能评估表明，强化学习与生成建模方法均取得具有竞争力的结果，但在不同 ROI 目标下表现出明显的稳定性与适应性权衡。
• 超过 5 亿条拍卖记录的预生成数据集，使出价决策算法在多样化场景下的评估更加稳健且可复现。
• 位置编码与多头注意力机制的集成显著提升了价值预测的准确性，从而支持更优的战略出价决策。
• 该基准在广告拍卖之外，也展现出在强化学习、机制设计与运筹学等领域的广泛应用潜力。