Исследователи Центра искусственного интеллекта Московского государственного университета (МГУ) имени Ломоносова предложили алгоритмический подход RobustBid, который повышает устойчивость систем автоматического управления ставками в цифровых рекламных аукционах с учeтом неопределeнности в прогнозах поведения пользователей. Об этом сообщила пресс-служба МГУ имени Ломоносова.
«В системах автоматического управления ставками решения принимаются на основе прогнозов моделей машинного обучения. Однако такие прогнозы неизбежно содержат шум и неопределeнность. В нашей работе предложен подход, который позволяет учитывать эту неопределeнность и формировать более устойчивые стратегии автобиддинга», – цитирует пресс-служба руководителя научной группы «Онлайн оптимизации и приложения» Института искусственного интеллекта МГУ и старшего научного сотрудника Центра искусственного интеллекта МГУ Юрия Дорна.
Таким образом, учeные МГУ решили одну из главных проблем современных рекламных алгоритмов. Когда пользователь видит в интернете «нужную» рекламу, еe показ – результат сложной системы: специальные программы (автобиддинг) в режиме реального времени участвуют в аукционах за право показать объявление конкретному пользователю. При этом они полагаются на прогнозы нейросетей – насколько вероятно, что пользователь кликнет по баннеру или купит товар. Но такие прогнозы не всегда точны, из-за чего компании могут терять деньги, переплачивая за неэффективную рекламу. Новый алгоритм RobustBid от МГУ делает систему умнее: он не просто доверяет прогнозам, а специально разработан так, чтобы быть устойчивым к их ошибкам. Это помогает компаниям показывать объявления действительно заинтересованным людям и не тратить бюджет впустую.
В системах онлайн-рекламы алгоритмы автоматически рассчитывают ставки за показ объявлений на основе прогнозов вероятности клика (CTR) и вероятности совершения целевого действия после клика (CVR). Эти показатели оцениваются с помощью моделей машинного обучения, однако их прогнозы могут содержать ошибки, что снижает эффективность рекламных кампаний. Предложенный метод основан на методах робастной оптимизации, для него получено аналитическое решение задачи оптимизации, что позволяет применять алгоритм в практических системах. Работа протестирована на синтетических и открытых рекламных наборах данных, включая iPinYou и BAT. Эксперименты показали, что подход демонстрирует более устойчивые результаты по сравнению с базовыми алгоритмами. Результаты исследования представлены на международной конференции AAMAS 2026 в Пафосе (Кипр).