研究人员推出DRIVE，一个新颖的、基于Transformer的框架，旨在增强实时广告系统中的自动竞价策略。该框架解决了现有方法的一些局限性，例如可能导致次优平均动作的单峰公式以及在稀疏流量条件下的不可靠性。DRIVE集成了分布动作建模、来自历史数据的检索增强候选生成以及基于价值的评估，以改进线下自动竞价的决策制定。在AuctionNet和其他基准测试上的实验表明，DRIVE能够持续提升竞价性能，并在各种基于Transformer的方法中有效泛化。 AI
影响 通过改进基于Transformer的模型，提升了实时广告中的竞价性能。
排序理由 该集群包含一篇详细介绍特定机器学习应用新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14192v1 Announce Type: new Abstract: Auto-bidding is a core component of real-time advertising systems, where decisions must optimize long-term performance under budget and cost constraints, while online exploration is prohibitively risky. Offline reinforcement learnin…
Auto-bidding is a core component of real-time advertising systems, where decisions must optimize long-term performance under budget and cost constraints, while online exploration is prohibitively risky. Offline reinforcement learning and, more recently, Transformer-based sequence…