抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
オンラインマーケティングにおいて,広告者の目標は,通常,高容量と高収益性の達成の間のトレードオフである。企業のビジネスユニットは,ボリュームを最大化してこのトレードオフを特注し,一方,Return On Investment(ROI)に下限を保障する。本論文では,不確実な予算とROI制約を受ける広告キャンペーンの入札最適化のためのコンビナトリアルバンドトアルゴリズムを研究した。最適化と学習問題の両方の性質を研究した。特に,不確実性のない最適化問題に焦点を当てた場合,P=NPがなければ,任意の因子内で近似不可能であり,最適解を達成する擬似多項式時間アルゴリズムを提供することを示した。不確実性を考慮するとき,著者らは,オンライン学習アルゴリズムが,サブ線形疑似レグレットを保証しながら,学習プロセスの間(ROIまたは予算)制約を,学習過程中に,何回も違反できることを証明した。したがって,筆者らは,制約違反の潜在的に線形数のコストで,サブ線形レグレットを保証するGCBのアルゴリズムを提供した。また,その安全なバージョン,すなわちGCB_{安全}を設計し,線形擬似レレットのコストにおける制約違反の数に対する一定の上限を保証した。より興味深いことに,著者らは,ROIと予算制約の満足に,それぞれ,許容誤差とΦのコストで,サブ線形擬似レレットと安全性w.h.p.の両方を保証するGCB_{安全}(ψ,φ)のアルゴリズムを提供する。このアルゴリズムは,最適解への収束を排除することなく,制約違反によるリスクを実際に緩和する。最後に,実世界データから生成された設定における擬似集合/制約違反トレードオフに関する提案アルゴリズムを実験的に比較し,実際に安全制約の採用の重要性と著者らのアルゴリズムの有効性を示す。【JST・京大機械翻訳】