Joint Value Estimation and Bidding in Repeated First-Price Auctions
重复第一价格拍卖中的联合价值估计与出价AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确用潜在结局差定义拍卖价值，并分析主动处理选择与重叠条件，直接支持因果推断分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
重复第一价格拍卖中的联合价值估计与出价
- 研究问题
- 在重复第一价格拍卖中，当广告价值由赢得与失去展示机会的潜在结局差决定时，如何同时学习私人价值并优化出价以降低遗憾？
- 方法与思路
- 作者将因果效应学习纳入出价决策，分别针对始终观察最高竞争出价与仅观察输赢的反馈，构造联合估值和出价算法。
- 材料陈述的贡献
- 摘要称两类反馈下算法均达到近最优遗憾界，并指出主动选择处理的机制可消除其框架对常规因果推断重叠条件的需要。
- 阅读关注点
- 应核对两类反馈中实际可观测的信息、治疗效应的特征依赖假设，以及主动探索如何支持识别和遗憾界中的最优性比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出遗憾阶数或完整学习假设，重叠条件结论不能推广到一般观察研究。
原文摘要
We study regret minimization in repeated first-price auctions (FPAs), where a bidder observes only the realized outcome after each auction -- win or loss. This setup reflects practical scenarios in online display advertising where the actual value of an impression depends on the difference between two potential outcomes, such as clicks or conversion rates, when the auction is won versus lost. We incorporate causal inference into this framework and analyze the challenging case where only the treatment effect admits a simple dependence on observable features. Under this framework, we propose algorithms that jointly estimate private values and optimize bidding strategies under two different feedback types on the highest other bid (HOB): the full-information feedback where the HOB is always revealed, and the binary feedback where the bidder only observes the win-loss indicator. Under both cases, our algorithms are shown to achieve near-optimal regret bounds. Notably, our framework enjoys a unique feature that the treatments are actively chosen, and hence eliminates the need for the overlap condition commonly required in causal inference.