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 |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: