🤖 machine learning

Model Monotonicity in Autobidding Auctions: When Do Better Predictions Lead to Better Outcomes?

यह शोध पत्र एक ऐसे ढांचे को प्रस्तुत करता है जो यह विश्लेषण करता है कि ऑटोबिडिंग ऑक्शन में मशीन लर्निंग प्रेडिक्शन मॉडल्स में सुधार कब बेहतर प्लेटफॉर्म-स्तरीय परिणामों की ओर ले जाता है, जिससे यह पता चलता है कि जबकि बिना बजट वाले फर्स्ट-प्राइस ऑक्शन में tCPA बिडर्स के लिए रेवेन्यू मोनोटोनिसिटी (revenue monotonicity) बनी रहती है, इसे सेकंड-प्राइस फॉर्मेट या बजट बाधाओं द्वारा तोड़ा जा सकता है।

मूल लेखक: Ashwinkumar Badanidiyuru

प्रकाशित 2026-06-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ashwinkumar Badanidiyuru

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, उच्च-गति वाले डिजिटल नीलामी घर (auction house) को चला रहे हैं। हर सेकंड, लाखों लोग वेब ब्राउज़ कर रहे हैं, और विज्ञापनदाता उन्हें विज्ञापन दिखाना चाहते हैं। यह तय करने के लिए कि किसे विज्ञापन दिखाने का मौका मिलेगा, प्लेटफॉर्म तीन मुख्य सामग्रियों का उपयोग करता है:

क्रिस्टल बॉल (द मॉडल): एक मशीन लर्निंग सिस्टम जो यह अनुमान लगाता है कि किसी उपयोगकर्ता द्वारा क्लिक या कुछ खरीदने की कितनी संभावना है।
नीलामी का वलय (द ऑक्शन रिंग): खेल के नियम (जैसे "सबसे ऊंची बोली लगाने वाला जीतता है" या "दूसरे सबसे ऊंचे बोलीदाता को भुगतान करना पड़ता है")।
ऑटोबिडर्स (द ऑटोबिडर्स): विज्ञापनदाताओं के लिए काम करने वाले रोबोट। वे क्रिस्टल बॉल की भविष्यवाणियों और विज्ञापनदाता के लक्ष्यों (जैसे "प्रति बिक्री $10 से अधिक खर्च न करें") के आधार पर स्वचालित रूप से बोली लगाते हैं।

बड़ा सवाल:
यह शोध पत्र एक सरल लेकिन पेचीदा सवाल पूछता है: यदि हम क्रिस्टल बॉल को अधिक स्मार्ट और सटीक बनाते हैं, तो क्या नीलामी घर हमेशा अधिक पैसा कमाता है या बेहतर काम करता है?

सहज रूप से, आप सोचेंगे "हाँ, बिल्कुल! बेहतर भविष्यवाणियों का मतलब बेहतर निर्णय।" लेकिन लेखकों ने पाया कि यह अक्सर सच नहीं होता है। कभी-कभी, क्रिस्टल बॉल को अधिक विस्तृत बनाना वास्तव में प्लेटफॉर्म के परिणामों को नुकसान पहुँचाता है।

यहाँ उनके निष्कर्षों का रोजमर्रा के उदाहरणों के साथ विवरण दिया गया है:

1. "रिफाइनमेंट" (परिष्करण) का सादृश्य: फलों की टोकरी को छाँटना

लेखक एक "बेहतर" मॉडल को एक रिफाइंड (परिष्कृत) मॉडल के रूप में परिभाषित करते हैं।

कोर्स मॉडल (Coarse Model): कल्पना करें कि एक फलों की टोकरी है जहाँ आप बस कहते हैं, "इस पूरी टोकरी में 50% सेब हैं।" आप हर सेब को एक जैसा मानते हैं।
रिफाइंड मॉडल (Refined Model): अब, आप करीब से देखते हैं। आप टोकरी को "रेड डिलीशियस," "ग्रैनी स्मिथ," और "गोल्डन डिलीशियस" में अलग करते हैं। आप ठीक से जानते हैं कि कौन सा विशिष्ट सेब मीठा है और कौन सा खट्टा।

शोध पत्र के गणित में, "कोर्स" टोकरी से "रिफाइंड" टोकरी की ओर बढ़ना ही "सुधार" माना जाता है। सवाल यह है: क्या यह अतिरिक्त विवरण हमेशा मदद करता है?

2. चौंकाने वाला उत्तर: यह पूरी तरह से नियमों पर निर्भर करता है

शोध पत्र पाता है कि उत्तर पूरी तरह से इस बात पर निर्भर करता है कि नीलामी कैसे चलाई जा रही है और विज्ञापनदाता क्या करने की कोशिश कर रहे हैं।

"सुरक्षित" परिदृश्य: फर्स्ट-प्राइस ऑक्शन (वह खेल जहाँ "जितनी बोली लगाई, उतना भुगतान करो")

सेटअप: विज्ञापनदाता एक विशिष्ट लागत प्रति बिक्री (tCPA) चाहते हैं। वे "फर्स्ट-प्राइस" नीलामी का उपयोग करते हैं (यदि आप $5 बोली लगाते हैं, तो आप$ 5 का भुगतान करते हैं)।
परिणाम: यदि विज्ञापनदाताओं के पास खर्च करने की सीमा (बजट) नहीं है, तो हाँ, एक बेहतर मॉडल हमेशा अधिक राजस्व और बेहतर परिणाम देता है।
सादृश्य: इसे दोस्तों के समूह द्वारा बिल बांटने जैसा समझें। यदि हर कोई ईमानदार है कि वे कितना खर्च कर सकते हैं और कुल बिल पर कोई कैप नहीं है, तो एक अधिक सटीक रसीद (बेहतर मॉडल) प्राप्त करना यह सुनिश्चित करता है कि हर कोई ठीक वही भुगतान करे जो उन्हें देना चाहिए। इसमें कोई नुकसान नहीं होता। इस गणित के पीछे जेन्सन इनइक्वेलिटी (Jensen's Inequality) है, जो मूल रूप से कहता है कि एक "ऊबड़-खाबड़" वक्र (जैसे बोली लगाने की रणनीतियाँ) का औसत लेना हमेशा व्यक्तिगत उतार-चढ़ाव को देखने की तुलना में कम परिणाम देगा।

"खतरनाक" परिदृश्य: जहाँ बेहतर मॉडल उल्टा असर करते हैं

शोध पत्र दिखाता है कि लगभग हर अन्य स्थिति में, एक बेहतर मॉडल वास्तव में राजस्व या दक्षता को कम कर सकता है। यहाँ कुछ जाल दिए गए हैं:

A. "सेकंड-प्राइस" का जाल (VCG/SPA)

सेटअप: इन नीलामियों में, विजेता अपनी बोली का नहीं, बल्कि दूसरी सबसे ऊंची बोली का भुगतान करता है।
समस्या: जब आपको एक बेहतर मॉडल मिलता है, तो आपको एहसास हो सकता है कि एक विशिष्ट उपयोगकर्ता केवल एक विशिष्ट विज्ञापनदाता के लिए मूल्यवान है। "कोर्स" मॉडल में, वह उपयोगकर्ता एक सामान्य लक्ष्य की तरह दिखता था, इसलिए कई विज्ञापनदाताओं ने आक्रामक रूप से बोली लगाई, जिससे कीमत बढ़ गई। "रिफाइंड" मॉडल में, सभी को एहसास होता है कि उस उपयोगकर्ता को केवल एक ही व्यक्ति चाहता है, इसलिए प्रतिस्पर्धा गिर जाती है, और कीमत तेजी से नीचे गिर जाती है।
सादृश्य: एक दुर्लभ संग्रहणीय वस्तु (collectible) की कल्पना करें।
- कोर्स दृश्य: "यह एक शानदार विंटेज खिलौना है।" पांच लोग $100 की बोली लगाते हैं। विजेता$ 100 का भुगतान करता है।
- रिफाइंड दृश्य: "यह एक विंटेज खिलौना है जो केवल उन लोगों को पसंद आता है जो 1990 के दशक के कार्टून पसंद करते हैं।" केवल एक व्यक्ति इसे चाहता है। वह $10 की बोली लगाता है। विजेता$ 10 का भुगतान करता है।
- परिणाम: मॉडल स्मार्ट हुआ, लेकिन नीलामी घर ने कम पैसा कमाया।

B. "बजट" का जाल

सेटअप: विज्ञापनदाताओं के पास खर्च करने की एक सख्त सीमा होती है (जैसे, "आज मेरे पास केवल $1,000 है")।
समस्या: जब मॉडल बेहतर होता है, तो यह विज्ञापनदाताओं को "सर्वश्रेष्ठ" उपयोगकर्ताओं को बहुत जल्दी खोजने में मदद करता है। वे दिन के पहले घंटे में ही अपने शीर्ष-स्तरीय उपयोगकर्ताओं पर अपना $1,000 खर्च कर देते हैं। जब तक दिन समाप्त होता है, उनके पास औसत उपयोगकर्ताओं पर बोली लगाने के लिए पैसे नहीं बचते।
सादृश्य: एक बुफे (buffet) की कल्पना करें जिसमें $20 की सीमा है।
- कोर्स दृश्य: आप नहीं जानते कि कौन से व्यंजन सबसे अच्छे हैं, इसलिए आप अपना $20 पूरे दिन फैला देते हैं, थोड़ा-थोड़ा सब कुछ खाते हैं।
- रिफाइंड दृश्य: आप ठीक से जानते हैं कि कौन से तीन व्यंजन बिल्कुल सर्वश्रेष्ठ हैं। आप उन्हें तुरंत खा लेते हैं और 10 मिनट में अपना पूरा $20 खर्च कर देते हैं। बुफे का मालिक (प्लेटफॉर्म) दिन के बाकी हिस्सों में होने वाली बिक्री से नुकसान उठाता है क्योंकि आपके पास पैसा बहुत जल्दी खत्म हो गया।

C. "वैल्यू मैक्सिमाइज़र" का जाल

सेटअप: वे विज्ञापनदाता जो केवल विशिष्ट लागत-प्रति-अधिग्रहण लक्ष्य की परवाह किए बिना अधिकतम मूल्य प्राप्त करना चाहते हैं।
समस्या: बजट के मुद्दे के समान, बेहतर मॉडल इन रोबोटों को सिस्टम को अधिक प्रभावी ढंग से "गेम" करने की अनुमति देता है, जिससे अक्सर प्रतिस्पर्धात्मक दबाव कम हो जाता है जो कीमतों को ऊपर ले जाता है।

3. एकमात्र अपवाद: "सेंट्रलाइज्ड शेफ" (LP बेंचमार्क)

शोध पत्र एक ऐसा परिदृश्य भी बताता है जहाँ बेहतर मॉडल हमेशा मदद करते हैं: यदि एक केंद्रीय कंप्यूटर (कोई रणनीतिक नीलामी नहीं) कुल मूल्य को अधिकतम करने के लिए विज्ञापनों को सीधे आवंटित करता है जबकि बजटों का सम्मान करता है।

कैच (शर्त): यह एक वास्तविक नीलामी नहीं है। इसके लिए प्लेटफॉर्म को विज्ञापनदाताओं के निजी रहस्यों (उनके सटीक बजट और मूल्य) को जानने की आवश्यकता होती है ताकि गणना की जा सके। वास्तविक दुनिया में, विज्ञापनदाता अपने ये रहस्य साझा नहीं करेंगे। इसलिए, हालांकि यह सिद्धांत में काम करता है, यह एक व्यावहारिक नीलामी प्रारूप नहीं है।

मुख्य निष्कर्ष (The Bottom Line)

शोध पत्र का मुख्य संदेश विज्ञापन प्लेटफार्मों के लिए एक चेतावनी है: यह मान न लें कि एक स्मार्ट AI मॉडल का अर्थ स्वतः ही अधिक पैसा है।

बेहतर मॉडल एक दोधारी तलवार हैं। वे विज्ञापनदाताओं को बेहतर लक्ष्य बनाने में मदद कर सकते हैं, लेकिन इससे प्रतिस्पर्धा कम हो सकती है या उनके पैसे जल्दी खत्म हो सकते हैं।
नियम मायने रखते हैं। यदि आप "फर्स्ट-प्राइस" नीलामी का उपयोग करते हैं जिसमें खर्च करने की कोई सीमा नहीं रखने वाले विज्ञापनदाता हैं, तो आप सुरक्षित हैं। लगभग हर अन्य मामले में (सेकंड-प्राइस, बजट, विभिन्न बिडर प्रकार), एक बेहतर मॉडल वास्तव में चीजों को बदतर बना सकता है।
भरोसा करने से पहले परीक्षण करें। लेखक सुझाव देते हैं कि प्लेटफार्मों को केवल अपने मॉडल के सटीकता स्कोर (accuracy scores) को नहीं देखना चाहिए। उन्हें सिमुलेशन या A/B टेस्ट चलाना चाहिए ताकि यह देखा जा सके कि जब मॉडल स्मार्ट होता है, तो वास्तविक व्यावसायिक मेट्रिक्स (राजस्व, कल्याण) ऊपर जाते हैं या नीचे।

संक्षेप में: अधिक जानकारी का मतलब हमेशा बेहतर परिणाम नहीं होता; यह पूरी तरह से इस पर निर्भर करता है कि आप कौन सा खेल खेल रहे हैं।

तकनीकी सारांश: ऑटोबिडिंग ऑक्शन्स में मॉडल मोनोटोनिसिटी (Model Monotonicity)

1. समस्या की परिभाषा

ऑनलाइन विज्ञापन प्लेटफॉर्म तीन घटकों के बीच एक जटिल अंतर्संबंध पर निर्भर करते हैं: उपयोगकर्ता व्यवहार का पूर्वानुमान लगाने वाले मशीन लर्निंग मॉडल (pCTR/pCVR), इम्प्रेसन्स आवंटित करने के लिए नीलामी तंत्र (auction mechanisms), और विज्ञापनदाताओं की ओर से कार्य करने वाली ऑटोबिडिंग प्रणालियाँ। एक प्रचलित उद्योग अंतर्ज्ञान (intuition) यह सुझाव देता है कि प्रेडिक्शन मॉडल की सटीकता में सुधार करने से स्वाभाविक रूप से प्लेटफॉर्म-स्तरीय परिणामों, जैसे कि राजस्व या कल्याण (welfare) में सुधार होना चाहिए।

हालाँकि, यह शोध पत्र उस अंतर्ज्ञान को चुनौती देता है। यह तर्क देता है कि मॉडल में सुधार, परिष्कृत भविष्यवाणियों (refined predictions) और रणनीतिक ऑटोबिडर व्यवहार के बीच फीडबैक लूप के कारण, विरोधाभासी रूप से प्लेटफॉर्म मेट्रिक्स को खराब कर सकता है। केंद्रीय शोध प्रश्न यह है: किन परिस्थितियों में प्रेडिक्शन मॉडल में सुधार (जिसे मॉडल रिफाइनमेंट के रूप में परिभाषित किया गया है) मूल्यांकन मानदंड मेट्रिक्स (Evaluation Criteria Metrics - ECM) जैसे कि राजस्व, कल्याण, या लिक्विड वेलफेयर (liquid welfare) में सुधार की गारंटी देता है?

2. कार्यप्रणाली और ढांचा

2.1. फिल्ट्रेशन (Filtrations) के माध्यम से मॉडल रिफाइनमेंट

लेखक "मॉडल सुधार" को मानक पॉइंटवाइज मेट्रिक्स (जैसे AUC या log-loss) के माध्यम से नहीं, बल्कि प्रोबेबिलिटी थ्योरी में फिल्ट्रेशन से प्रेरित एक संरचनात्मक संबंध के माध्यम से औपचारिक रूप देते हैं।

उपयोगकर्ता विभाजन (User Partition): एक प्रेडिक्शन मॉडल $M$ को उपयोगकर्ता ब्रह्मांड $U$ के विभाजन $\mathcal{P}$ द्वारा परिभाषित किया जाता है। प्रत्येक क्लस्टर के लिए, मॉडल औसत वास्तविक रूपांतरण संभावना (average true conversion probability) आउटपुट करता है।
रिफाइनमेंट संबंध (Refinement Relation): एक मॉडल $M_A$ मॉडल $M_B$ को रिफाइन करता है (इसे $M_A \succeq M_B$ के रूप में दर्शाया गया है) यदि $M_A$ के विभाजन में प्रत्येक क्लस्टर $M_B$ के विभाजन के एक क्लस्टर के भीतर समाहित है। इसका तात्पर्य यह है कि $M_A$ उपयोगकर्ताओं के बीच सूक्ष्म अंतर करता है जबकि कैलिब्रेशन (प्रेडिक्शन्स क्लस्टर के औसत के बराबर हैं) को बनाए रखता है।
निहितार्थ: यह परिभाषा सुनिश्चित करती है कि किसी भी प्रॉपर स्कोरिंग लॉस से जुड़ा कॉन्केव बेयस रिस्क (concave Bayes risk), रिफाइनमेंट के तहत अपेक्षा (expectation) में सुधर जाता है (जेन्सन के इनइक्वालिटी के माध्यम से), जो "बेहतर" मॉडलों के लिए एक कठोर गणितीय आधार प्रदान करता है।

2.2. बिडर मॉडल और नीलामी प्रारूप (Auction Formats)

यह अध्ययन निम्नलिखित संयोजनों में मॉडल रिफाइनमेंट के परस्पर प्रभाव का विश्लेषण करता है:

बिडर प्रकार (Bidder Types):
- tCPA (टारगेट CPA): विज्ञापनदाता औसत लागत-प्रति-रूपांतरण (cost-per-acquisition) बाधा के अधीन रूपांतरण वॉल्यूम को अधिकतम करते हैं।
- MAX-CPA: विज्ञापनदाता क्वासी-लीनियर यूटिलिटी (वैल्यू माइनस पेमेंट) को अधिकतम करते हैं, जिसमें प्रति रूपांतरण अधिकतम भुगतान करने की इच्छा होती है।
नीलामी प्रारूप (Auction Formats):
- फर्स्ट-प्राइस ऑक्शन (FPA): उच्चतम बोली लगाने वाला जीतता है और अपनी बोली का भुगतान करता है।
- VCG/सेकंड-प्राइस ऑक्शन (SPA): उच्चतम बोली लगाने वाला जीतता है और दूसरी सबसे ऊंची बोली (एक्स्टर्नालिटी) का भुगतान करता है।
- LP बेंचमार्क: एक केंद्रीकृत, गैर-रणनीतिक भिन्नात्मक आवंटन तंत्र जिसका उपयोग सैद्धांतिक बेसलाइन के रूप में किया जाता है।
बाधाएं (Constraints): सेटिंग्स का विश्लेषण बजट बाधाओं के साथ और बिना, दोनों स्थितियों में किया गया है।

2.3. मूल्यांकन मानदंड मेट्रिक्स (ECM)

यह पत्र तीन प्राथमिक मेट्रिक्स का मूल्यांकन करता है:

राजस्व (Revenue): प्लेटफॉर्म द्वारा एकत्र किया गया कुल भुगतान।
कल्याण (Welfare): रूपांतरणों का कुल अपेक्षित मूल्य ( $\sum v_i \cdot p_{i,u}$ )।
लिक्विड वेलफेयर (Liquid Welfare): विज्ञापनदाता के बजट द्वारा सीमित कल्याण, जो बजट-बाधित सेटिंग्स में दक्षता बेंचमार्क के रूप में कार्य करता है।

3. मुख्य योगदान

यह शोध पत्र ECM मोनोटोनिसिटी (Monotonicity) का व्यवस्थित लक्षण वर्णन प्रदान करता है—वह गुण जहाँ $M_A \succeq M_B \implies ECM(M_A) \geq ECM(M_B)$ होता है। लेखक स्थापित करते हैं कि मोनोटोनिसिटी एक नियम के बजाय अपवाद है, जो केवल विशिष्ट, संकीर्ण कॉन्फ़िगरेशन में ही लागू होती है।

3.1. सकारात्मक परिणाम (जहाँ मोनोटोनिटी बनी रहती है)

पत्र सिद्ध करता है कि मॉडल रिफाइनमेंट केवल निम्नलिखित तीन परिदृश्यों में मेट्रिक सुधार की गारंटी देता है:

FPA में tCPA बिडर्स (बिना बजट के): अनुकूल मल्टीप्लायर $\mu=1$ के साथ यूनिफॉर्म बिडिंग के तहत, राजस्व (और फलस्वरूप कल्याण, क्योंकि $v_i=t_i$ ) मोनोटोन है। इसे मैक्सिमम बिड के कॉनवेक्स फंक्शन पर जेन्सन के इनइक्वालिटी को लागू करके सिद्ध किया गया है।
VCG में MAX-CPA बिडर्स (बिना बजट के): कल्याण (Welfare) मोनोटोन है। चूंकि VCG कल्याण को अधिकतम करने के लिए आवंटन करता है और सत्यनिष्ठा से बोली लगाना (truthful bidding) डोमिनेंट है, इसलिए रिफाइनमेंट आवंटन की गुणवत्ता में सुधार करता है। हालाँकि, राजस्व की मोनोटोनिटी की गारंटी नहीं है।
LP-आधारित आवंटन (बजट के साथ): एक केंद्रीकृत लीनियर प्रोग्रामिंग बेंचमार्क दोनों बिडर प्रकारों के लिए वेलफेयर मोनोटोनिटी की गारंटी देता है। tCPA बिडर्स के लिए, सरोगेट राजस्व भी मोनोटोन है। यह एक "लिफ्टिंग तर्क" (lifting argument) पर निर्भर करता है जहाँ एक व्यवहार्य मोटे (coarse) आवंटन को बाधाओं का उल्लंघन किए बिना रिफाइंड पार्टीशन में मैप किया जा सकता है।

3.2. नकारात्मक परिणाम (जहाँ मोनोटोनिटी विफल होती है)

पत्र अन्य सभी अध्ययन किए गए सेटिंग्स में मोनोटोनिटी की विफलता को प्रदर्शित करता है, जो इन काउंटर-एग्जांपल्स के लिए स्पष्ट संख्यात्मक निर्माण प्रदान करता है:

tCPA बिडर्स के साथ VCG/SPA: राजस्व और कल्याण दोनों घट सकते हैं। रिफाइनमेंट सब-क्लस्टर्स के बीच बिडर्स की रैंकिंग को बदल सकता है, जिससे प्रतिस्पर्धी दबाव कम हो जाता है और दूसरी सबसे ऊंची बोली (एक्स्टर्नालिटी) कम हो जाती है।
बजट बाधाओं के साथ FPA: राजस्व घट सकता है। बजट बाधाएं बिडर्स को पेसिंग (बीड शेडिंग) करने के लिए मजबूर करती हैं, और रिफाइनमेंट ऐसे सेगमेंट प्रकट कर सकता है जहाँ बाधित बिडर्स सस्ते में जीत सकते हैं, जिससे समग्र राजस्व कम हो जाता है।
MAX-CPA के साथ VCG: जबकि कल्याण मोनोटोन है, राजस्व मोनोटोन नहीं है, क्योंकि रिफाइनमेंट के तहत एक्स्टर्नालिटी कम हो सकती है।
FPA में MAX-CPA: जब मल्टीप्लायर्स को सूचना संरचना के साथ बदलने की अनुमति दी जाती है, तो राजस्व और कल्याण दोनों घट सकते हैं, जो जेन्सन के इनइक्वालिटी तर्क को तोड़ देता है।
लिक्विड वेलफेयर: बजट के साथ भी, रणनीतिक ऑक्शन्स में लिक्विड वेलफेयर मोनोटोन नहीं है क्योंकि इसमें "क्राउडिंग आउट" (crowding out) प्रभाव होता है।

4. महत्व और दावे

यह शोध पत्र दावा करता है कि यह पहला कार्य है जो औपचारिक रूप से उन स्थितियों का अध्ययन करता है जिनमें ऑटोबिडिंग सेटिंग्स में प्रेडिक्शन मॉडल सुधार प्लेटफॉर्म मेट्रिक्स सुधार की गारंटी देते हैं। इसका महत्व इन अंतर्दृष्टियों में निहित है:

मोनोटोनिटी की दुर्लभता: यह धारणा कि "बेहतर मॉडल = बेहतर परिणाम" अधिकांश व्यावहारिक नीलामी कॉन्फ़िगरेशन के लिए सैद्धांतिक रूप से गलत है। प्लेटफॉर्म केवल मॉडल रिफाइनमेंट के माध्यम से व्यावसायिक मेट्रिक्स को चलाने पर भरोसा नहीं कर सकते।
ट्रेड-ऑफ (Trade-offs): प्रोत्साहन संगतता (incentive compatibility) और मोनोटोनिटी के बीच एक मौलिक तनाव है।
- FPA के साथ tCPA (बिना बजट के) मोनोटोनिटी प्रदान करता है लेकिन बजट के साथ विफल हो जाता है।
- LP आवंटन बजट के साथ मोनोटोनिटी प्रदान करता है, लेकिन इसके लिए प्लेटफॉर्म को बिडर के निजी पैरामीटर (लक्ष्य/वैल्यू) जानने की आवश्यकता होती है, जो इसे प्रोत्साहन-असंगत (incentive-incompatible) बनाता है।
- कोई भी ज्ञात तंत्र बजट बाधाओं के तहत मोनोटोनिटी और प्रोत्साहन संगतता दोनों को एक साथ प्राप्त नहीं करता है।
व्यावहारिक निहितार्थ: निष्कर्ष बताते हैं कि विज्ञापन प्लेटफार्मों को यह नहीं मानना चाहिए कि मॉडल सुधार मेट्रिक लाभ में परिवर्तित हो जाएंगे। इसके बजाय, सुधारों को सिमुलेशन या A/B टेस्टिंग के माध्यम से सत्यापित किया जाना चाहिए। ML मॉडल, नीलामी प्रारूप और ऑटोबिडर रणनीतियों के बीच की परस्पर क्रिया जटिल गतिशीलता पैदा करती है जहाँ घटक-स्तरीय अनुकूलन (component-level optimizations) सिस्टम-स्तरीय लाभ नहीं दे सकते हैं।

यह शोध पत्र निष्कर्ष निकालता है कि हालांकि रिफाइंड मॉडल अधिक जानकारी प्रदान करते हैं, लेकिन विशिष्ट नीलामी वातावरणों (विशेष रूप से बजट या सेकंड-प्राइस तंत्र वाले) में ऑटोबिडर्स की रणनीतिक प्रतिक्रिया उस जानकारी के लाभों को निष्प्रभावी या उलट सकती है।