Τεχνικές εκτίμησης ιδιωτικών παραμέτρων σε μη-φιλαληθείς δημοπρασίες

Βελέγκας, Γρηγόριος; Velegkas, Grigorios

dc.contributor.author	Βελέγκας, Γρηγόριος	el
dc.contributor.author	Velegkas, Grigorios	en
dc.date.accessioned	2018-11-16T09:19:41Z
dc.date.available	2018-11-16T09:19:41Z
dc.date.issued	2018-11-16
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48020
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16039
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Αλγοριθμική θεωρία παιγνίων	el
dc.subject	Σχεδίαση μηχανισμών	el
dc.subject	Ηλεκτρονικές δημοπρασίες	el
dc.subject	Ευφυείς πράκτορες	el
dc.subject	Μηχανιστική μάθηση	el
dc.subject	Algorithmic game theory	en
dc.subject	Mechanism design	en
dc.subject	Keyword auctions	en
dc.subject	Learning agents	en
dc.subject	Machine learning	en
dc.title	Τεχνικές εκτίμησης ιδιωτικών παραμέτρων σε μη-φιλαληθείς δημοπρασίες	el
heal.type	bachelorThesis
heal.classification	Αλγόριθμοι και πολυπλοκότητα	el
heal.classificationURI	http://data.seab.gr/concepts/916a3b37862d25c71eb7293f7b653e91636f92a7
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-17
heal.abstract	Στις δημοπρασίες για λέξεις κλειδιά που χρησιμοποιούνται μη-φιλαληθείς μηχανισμοί, ένα μείζον πρόβλημα για τον δημοπράτη είναι η εκτίμηση της ωφελείας του διαφημιζομένου. Οι κλασσικές προσεγγίσεις σε αυτό το πρόβλημα υποθέτουν ότι οι διαφημιζόμενοι έχουν φτάσει σε μια σταθερή κατάσταση όπου ο καθένας αντιδρά με βέλτιστο τρόπο στις στρατηγικές αποφάσεις των υπολοίπων. Στην παρούσα διπλωματική παρουσιάζουμε μια νέα μέθοδο για την επίλυση αυτού του προβλήματος που προτάθηκε από τους Nekipelov, Syrgkanis και Tardos, η οποία βασίζεται στην ασθενέστερη υπόθεση ότι οι συμμετέχοντες στις δημοπρασίσες χρησιμοποιούν αλγοριθμικές τεχνικές μάθησης και πετυχαίνουν τον στόχο του no-regret. Στο μοντέλο που χρησιμοποιούν υποθέτουν ότι οι ωφελείες των διαφημιζομένων παραμένουν σταθερές στο πέρασμα του χρόνου. Παρουσίαζουμε μια επέκταση της μεθόδου τους στην οποία οι ωφελείες μεταβάλλονται σχετικά αργά κατά τη διάρκεια των δημοπρασιών. Επιπλέον, παρουσιάζουμε ένα τρόπο χρήσης της μεθόδου τους σε περιβάλλοντα δημοπρασιών ενός χρήστη-ενός αντικειμένου όπου η παράμετρος της ωφελείας δεν αλλάζει, ώστε ο δημοπράτης να θέσει κατάλληλα τις “τιμές κράτησης” για να βελτιστοποιήσει το κέρδος του.	el
heal.abstract	Online ad auctions, which sell advertising space online alongside the organic results, gener- ate billions of revenue each year. In the keyword auctions, whenever a user searches for a specific keyword the advertisers submit a bid to the search engine and, based on these bids along with some other factors, the engine decides how to allocate the advertising space. A common characteristic of the different auction formats that are used in practice is that they are not truthful , which means that it is not of the best interest of the advertisers to submit to the allocation mechanism their valuation , i.e. how much they value getting clicked. A major problem for the auctioneers in such settings, is to manage to infer that parameter based on the past data that they have collected from previous auctions. Classical work on this problem assumed that the advertisers have managed to somehow reach a stable state, in which each one best responds to the strategies of his opponents. However, this assumption is unrealistic in dynamic markets that we are interested in. In this thesis we present the new approach to that problem that was suggested by Nekipelov et al. [ NST15 ], which is based on the much weaker assumption that advertis- ers are learning agents who achieve the no-regret task. In their model, they assume that the bidders’ valuations remain constant over time. We extend their results in settings in which these valuations are slowly changing throughout the repeated auctions. We also show how to use the valuation inferring method that was proposed by Nekipelov et al. to set the reserve prices in single item-single buyer settings in order to maximize his revenue , when the valu- ation of the buyer does not change. In the third chapter we introduce the reader to some basic mechanism design concepts that we will use extensively in the following chapters. In the fourth chapter we introduce basic concepts and algorithms used by players in online decision settings which will constitute our basic assumption about how players behave in non-truthful auction settings. In the fifth chapter we present the inference method proposed by Nekipelov et al. as well as some other results from the recent line of work that aims to analyze repeated games under learning assumptions. Finally, in the sixth chapter we analyze our results regarding the extension of that valuation inference method	en
heal.advisorName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Παγουρτζής, Αριστείδης	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	71 σ.
heal.fullTextAvailability	true