Uncertainty Quantification of Click and Conversion Estimates for the Autobidding

Each language version is independently generated for its own context, not a direct translation.

🎯 Le Problème : Le Pari de l'Automate

Imaginez que vous êtes un vendeur sur un immense marché numérique (comme un site e-commerce géant). Chaque jour, des millions d'enchères ont lieu pour afficher votre publicité. Pour gagner, vous devez enchérir automatiquement (c'est le "autobidding").

Pour décider combien enchérir, votre ordinateur utilise deux prédictions magiques :

CTR (Taux de clic) : "Quelle est la probabilité que quelqu'un clique sur ma pub ?"
CVR (Taux de conversion) : "Quelle est la probabilité que cette personne achète après avoir cliqué ?"

Le hic ? Ces prédictions ne sont pas parfaites. Elles sont comme des météo imparfaites. L'ordinateur dit : "Il y a 80 % de chance de pluie", mais en réalité, il ne pleut que 50 % du temps. Si vous faites vos plans de voyage (votre budget publicitaire) en croyant aveuglément à cette météo fausse, vous allez soit dépenser trop d'argent pour rien, soit rater des ventes potentielles.

💡 La Solution : DenoiseBid (Le "Déniseur" d'Enchères)

Les auteurs du papier, Ivan, Andrey, Aleksandr et Egor, ont créé une méthode appelée DenoiseBid.

Imaginez que vous êtes un chef cuisinier qui prépare un plat pour un grand banquet.

La méthode habituelle (Non-robuste) : Le chef goûte un ingrédient qui a un goût bizarre (bruit), et il s'en sert tel quel dans la recette. Le plat est raté.
La méthode "Robuste" (RobustBid) : Le chef, par peur de se tromper, met très peu d'ingrédients. Le plat est sûr, mais il est fade et il n'y en a pas assez pour tout le monde.
La méthode DenoiseBid : Le chef utilise un filtre à café spécial. Il prend l'ingrédient bruyant, le passe dans le filtre pour enlever les impuretés (le bruit), et obtient la vraie saveur de l'ingrédient. Ensuite, il ajuste la recette en conséquence.

🔍 Comment ça marche ? (L'Analogie du Détective)

Au lieu de prendre la prédiction brute de l'ordinateur comme une vérité absolue, DenoiseBid se comporte comme un détective bayésien :

Il observe le bruit : Il sait que l'ordinateur fait des erreurs. Il regarde l'historique pour comprendre comment l'ordinateur se trompe habituellement (est-ce qu'il surestime toujours les clics ?).
Il reconstruit la réalité : Il utilise une technique mathématique appelée "Déconvolution Extrême" (XDGMM). Imaginez que vous essayez de retrouver la forme exacte d'un objet en regardant son ombre floue projetée sur un mur. Le détective essaie de deviner la forme réelle de l'objet (la vraie probabilité de vente) en tenant compte de la déformation de l'ombre (le bruit).
Il ajuste l'enchère : Au lieu de dire "Enchérissais 10€ car l'ordinateur dit 80% de chance", il dit : "Enchérissais 7,5€ car, une fois qu'on a corrigé les erreurs de l'ordinateur, la vraie chance est plutôt de 60%".

📊 Les Résultats : Pourquoi c'est génial ?

Les chercheurs ont testé leur méthode sur de vraies données (des millions d'enchères réelles) et sur des données simulées.

Le concurrent "Non-robuste" : Quand le bruit augmente (quand les prédictions sont mauvaises), il dépense tout son budget trop vite et ne respecte pas les règles de coût. C'est un désastre.
Le concurrent "Robuste" : Il respecte les règles, mais il est si prudent qu'il rate énormément d'opportunités de vente. Il joue trop la sécurité.
DenoiseBid : C'est le champion de l'équilibre.
- Il respecte strictement les limites de budget (comme le concurrent prudent).
- Mais il gagne beaucoup plus de ventes (comme le concurrent agressif, mais sans le risque).

🚀 En Résumé

Ce papier propose une nouvelle façon de gérer l'incertitude dans la publicité en ligne. Au lieu de faire confiance aveuglément à une IA qui fait des erreurs, ou de devenir trop timide, DenoiseBid "nettoie" les prédictions pour retrouver la vérité cachée derrière le bruit.

C'est comme passer d'une conduite aveugle dans le brouillard à une conduite avec un radar qui voit à travers la brume : vous arrivez plus loin, plus vite, et sans accident.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique

Les plateformes de commerce électronique modernes gèrent des millions d'enchères publicitaires quotidiennes via des mécanismes d'enchère automatique (autobidding). Ces systèmes doivent déterminer le prix optimal à enchérir pour maximiser le nombre de conversions tout en respectant des contraintes budgétaires et de coût par clic (CPC).

Le problème central identifié par les auteurs réside dans la dépendance critique de ces algorithmes aux estimations de taux de clic (CTR) et de taux de conversion (CVR) fournies par des modèles d'apprentissage automatique pré-entraînés.

Nature du problème : Les prédictions de ces modèles sont intrinsèquement incertaines (bruitées). Dans le cadre d'une enchère au second prix (SPA), la formule de l'offre optimale est une fonction linéaire du CTR et du CVR. Par conséquent, toute erreur d'estimation se propage directement dans le montant de l'offre, entraînant une allocation sous-optimale du budget et des violations fréquentes des contraintes de coût (CPC).
Limites des approches existantes : Les méthodes actuelles traitent souvent ces estimations comme des valeurs déterministes exactes ou utilisent des approches robustes qui ignorent l'incertitude spécifique à chaque prédiction (au niveau de l'instance), se contentant de définir des ensembles d'incertitude globaux.

2. Méthodologie : DenoiseBid

Les auteurs proposent DenoiseBid, une méthode d'enchère automatique bayésienne conçue pour corriger le bruit dans les estimations de CTR et de CVR avant de calculer l'offre.

A. Reformulation du problème d'optimisation

Au lieu d'optimiser une fonction déterministe, DenoiseBid reformule le problème comme une optimisation stochastique. L'objectif est de maximiser l'espérance conditionnelle du nombre réel de conversions, étant donné les observations bruitées ( $O$ ) :
$\max E \left[ \sum x_t \cdot CTR_t \cdot CVR_t \mid O \right]$
Sous contraintes de budget et de coût par clic moyen (CPC), où les contraintes sont également exprimées en termes d'espérances conditionnelles.

B. Règle d'enchère fermée (Closed-form)

En utilisant la dualité de Lagrange et les conditions de complémentarité de Slater, les auteurs dérivent une formule d'enchère optimale qui dépend des espérances a posteriori (posterior expectations) des variables latentes :
$bid_t = \frac{1}{p^* + q^* E[CTR_t \cdot CVR_t \mid O]} + \frac{q^*}{p^* + q^* C} \cdot E[CTR_t \mid O]$
où $p^*$ et $q^*$ sont les multiplicateurs de Lagrange optimaux. Le cœur du défi devient donc le calcul efficace de ces espérances conditionnelles.

C. Modélisation Bayésienne et Reconstruction de la Prior

Pour calculer $E[X \mid O]$ , la méthode utilise la formule de Bayes, nécessitant un modèle de bruit (vraisemblance) et une distribution a priori des vraies valeurs.

Espace Logit : Les probabilités (CTR/CVR) sont transformées en espace logit ( $\xi = \ln(\frac{p}{1-p})$ ) pour faciliter la modélisation.
Modèle de Bruit : Le bruit est modélisé comme additif et gaussien dans l'espace logit ( $\hat{\xi} = \xi + \epsilon$ , avec $\epsilon \sim \mathcal{N}(0, \sigma^2)$ ).
Distribution A Priori (Reconstruction) : Reconnaissant que les distributions réelles de CTR sont souvent multimodales, les auteurs modélisent l'a priori comme un Mélange de Gaussiennes (Gaussian Mixture).
Estimation des paramètres (XDGMM) : Puisque les vraies valeurs sont inconnues, les paramètres du mélange (poids, moyennes, variances) sont estimés à partir des observations bruitées en utilisant la technique Extreme Deconvolution (XDGMM). Cette méthode permet de reconstruire la distribution sous-jacente en tenant compte des variances de bruit spécifiques à chaque échantillon.

D. Scénarios traités

Incertitude CTR uniquement : Le CVR est supposé connu. L'espérance est calculée via une approximation probit.
Incertitude conjointe CTR-CVR : Les auteurs modélisent une distribution a priori bivariée (Mélange de Gaussiennes bivariées) pour capturer les corrélations entre CTR et CVR. L'espérance du produit est calculée en utilisant la décomposition de Cholesky et la quadrature de Gauss-Hermite.

3. Contributions Clés

Formulation théorique : Définition formelle du problème d'enchère automatique sous des valeurs de CTR/CVR bruitées et dérivation d'une règle d'enchère fermée basée sur les espérances a posteriori bayésiennes.
Algorithme DenoiseBid : Développement d'une méthode pratique qui :
- Récupère la distribution a priori des CTR/CVR à partir de données bruitées via XDGMM.
- Calcule des offres "dénoisées" (désbruitées) sous forme fermée, sans nécessiter d'optimisation itérative coûteuse en temps réel.
- Est agnostique au modèle de prédiction sous-jacent (fonctionne avec GBDT, Deep Learning, etc.).
Validation empirique extensive : Évaluation sur quatre jeux de données (Synthétique, iPinYou, BAT, Criteo Attribution) avec des bruits synthétiques et empiriques (estimés via des ensembles virtuels).

4. Résultats Expérimentaux

Les expériences comparent DenoiseBid à deux bases de référence :

Non-robust (Baseline) : Utilise les prédictions brutes sans correction d'incertitude.
RobustBid : Utilise l'optimisation robuste avec des ensembles d'incertitude basés sur les quantiles.

Résultats principaux :

Stabilité face au bruit : Alors que la méthode non-robuste viole massivement les contraintes de CPC lorsque le bruit augmente, et que RobustBid réduit drastiquement le volume de conversions pour respecter les contraintes, DenoiseBid maintient un équilibre optimal.
Performance : DenoiseBid atteint un volume de conversions proche de l'optimum théorique (rapport $R/R^*$ élevé) tout en respectant strictement les limites de coût par clic.
Données réelles (Criteo) : Sur des données réelles avec incertitude estimée par des ensembles virtuels, la variante de DenoiseBid utilisant un mélange de Gaussiennes dans l'espace logit montre des gains significatifs en termes de réduction de la déviation du CPC et d'augmentation des conversions, avec une signification statistique (p < 0.05).

5. Signification et Impact

Ce travail est significatif car il comble le fossé entre la théorie de l'optimisation stochastique et la pratique de l'enchère publicitaire à grande échelle.

Efficacité opérationnelle : En remplaçant les estimations bruitées par leurs espérances a posteriori, l'algorithme évite de sur-enchérir sur des impressions peu probables ou de sous-enchérir sur des opportunités réelles, optimisant ainsi le ROI des annonceurs.
Généralité : La méthode est "model-free" (indépendante du modèle de prédiction) et peut être intégrée dans des systèmes existants sans modifier l'architecture des modèles de CTR/CVR,仅需 ajouter une couche de post-traitement bayésien.
Robustesse : Elle offre une solution élégante au compromis classique entre performance (volume de conversions) et respect des contraintes (coût), surpassant les approches d'optimisation robuste traditionnelles qui sont souvent trop conservatrices.

En conclusion, DenoiseBid propose un cadre rigoureux pour intégrer l'incertitude prédictive directement dans la boucle de décision d'enchère, améliorant la fiabilité et l'efficacité des systèmes publicitaires automatisés.