喜讯 | 理工学院唐晓莹教授入选2024腾讯犀牛鸟计划

2024腾讯犀牛鸟计划

在近期公布的2024腾讯犀牛鸟专项/专题研究计划中，香港中文大学（深圳）理工学院助理教授唐晓莹申请的项目“考虑复杂约束优化的拍卖机制设计与基于因果预测的广告效果评估框架研究”成功入选。

本年度腾讯犀牛鸟专项及专题得到了超100所高校近400位学者的积极申报，其中985等头部高校学者占比86%，课题入选率仅为约14%，入选学者均为相关领域的杰出代表，包括来自清华大学、中国科学技术大学、香港大学、香港中文大学和香港科技大学等高等院校的研究学者。

数据来源：腾讯高校合作

01

Part

项目简介

2024腾讯犀牛鸟专项/专题将腾讯AI Lab、腾讯微信、腾讯广告和腾讯基础平台技术四个专项研究计划的科研合作需求及部分散点合作需求，根据研究方向汇总成了大规模推荐及数据挖掘、NLP及大模型、CV及多模态、图计算及机器学习应用四个专题。其中，2024腾讯犀牛鸟大规模推荐及数据挖掘专题围绕腾讯微信、广告、互娱等业务场景，开放推荐技术相关课题11项。

来源：腾讯高校合作

唐教授此次入选的项目属于“2024腾讯广告犀牛鸟专项研究计划”的大规模推荐及数据挖掘专题——《自动出价时代的竞价机制设计及因果推断在广告的应用》。

广告是互联网行业最重要的商业模式之一，也是大数据和人工智能技术应用非常广泛的领域。腾讯广告犀牛鸟专项研究计划基于广告真实场景的技术挑战，聚焦机器学习、数据挖掘和大模型算法等研究方向，支持产学携手进行关键技术攻坚和创新应用探索。

来源：2024腾讯广告犀牛鸟专项研究计划 入选函

02

Part

申请项目简介

■ 项目名称

考虑复杂约束优化的拍卖机制设计与基于因果预测的广告效果评估框架研究

■ 项目摘要

1.自动出价时代的竞价机制设计

在自动出价的新时代，竞价机制设计面临着诸多挑战。传统的拍卖机制通常基于对单个物品的密封报价，然而，在广告等现代应用场景中，广告主更关注的是整个投放周期的总体表现，而非单一竞价的结果。此外，现代竞价场景中广告主往往设定了多重目标和复杂的拍卖约束，这使得传统的竞价策略和机制难以满足需求。

在此课题中，我们面向自动竞价的全新背景，基于类似文献^[1]中复杂拍卖约束和多个拍卖目标，求解复杂自动拍卖环境下的出价策略，进而设计平台收益最大化的混合拍卖机制。

2. 因果推断在广告的应用

目前，自动竞价代理的训练方法还未能有效地平衡广告主、平台和社会的利益，特别是在广告算法方向的探索还显不足。因此，迫切需要开发新的方法，要求不仅能够精确建模广告主行为与广告效果之间的因果关系，还能够确保在提高广告效果预测准确性的同时，平衡各方的利益。这样的研究将对整个广告行业的发展和广告预算的合理分配具有重要的战略意义。本研究旨在通过建立一个基于因果推断的技术框架，分析广告主的行为和需求对广告效果的影响，从而提高广告效果预测的准确性、可解释性和稳健性。

唐晓莹教授团队在因果分析和学习推断算法方面已有相应积累。例如，在文献^[2]中，团队针对分布外泛化问题，在已有数据中提取和利用对于输出具有因果关系的特征，使得所训练的模型能够在面对不同分布的数据时仍能够有良好表现。如下图所示，其方法采用两级采样多样性促进框架，旨在从大量纷杂的数据中抽取有益数据对模型进行训练，从而达到更好的分布外泛化性能。另外，团队采用特征分析进行学习推断，通过衡量梯度差异性提高联邦性能，成果发表于NeurlPS2023^[3]。团队研究了降低本地模型在本地数据下训练导致的模型偏差，保证模型的输出公平地作为多个客户输入数据的因果，成果发表于ICML2023^[4]。团队针对同时存在标签分布漂移、特征分布漂移、概念漂移的场景，采用软聚类的方式进行学习推断，成果发表于ICML2024^[5]。

综上所述，本项目拟通过设计面向自动出价的混合拍卖机制和建立基于因果推断的技术框架，提出复杂自动拍卖环境下的最优出价策略，分析广告主行为与广告效果之间的因果关系，最大化平台收益，并提高广告效果预测模型的准确性、稳健性、泛化性和可解释性。

滑动阅览参考文献：[1]  Yu, A., Tang, X*., Zhang, Y. J., & Huang, J. (2021). Continuous group-wise double auction for prosumers in distribution-level markets. IEEE Transactions on Smart Grid, 12(6), 4822-4833.
[2] Leng, X., Bian, Y., & Tang, X*. Diversity Boosted Learning for Domain Generalization with A Large Number of Domains. NeurIPS 2022 Workshop on Distribution Shifts: Connecting Methods and Applications, 2022.
[3] Wang, L., Guo, Y., Lin, T., & Tang, X*. Delta: Diverse client sampling for fasting federated learning. Advances in Neural Information Processing Systems (NeurlPS), 2023.
[4] Guo, Y., Tang, X*., & Lin, T. FedBR: Improving Federated Learning on Heterogeneous Data via Local Learning Bias Reduction, International Conference on Machine Learning (ICML), 2023. 
[5] Guo, Y., Tang, X*., & Lin, T. FedRC: Tackling Diverse Distribution Shifts Challenge in Federated Learning by Robust Clustering, International Conference on Machine Learning (ICML), 2024.

03

Part

教授简介

唐晓莹助理教授

曾任瑞士洛桑联邦理工学院（EPFL）研究科学家&香港中文大学（CUHK）博士后

唐晓莹教授的研究方向为联邦学习、大模型以及人工智能、经济学与能源交通交叉领域等，在ICML、NeurIPS、AAAI、TSG、TPWRS、TII、IOJT、IEEE Commun. Mag.等国际顶级会议或期刊发表论文40余篇。以第一作者获得国际智能电网通信旗舰会议IEEE SmarGridComm 2013年唯一最佳论文奖，并获CCF A类会议ASE2024杰出论文奖，以第一作者在国际知名出版社Springer出版科研专著一部。长期担任Nature Machine Intelligence、ICML、NeurIPS、ICLR、TSG、TPWRS、TII、IOJT、TMC等顶级期刊或会议的审稿人。入选IEEE PES中国区电动汽车技术委员会委员，并担任电动汽车与能源交通系统融合技术分委会常务理事。

部分文字来源：腾讯高校合作

供稿｜唐晓莹教授团队

点击以下链接，进入理工时刻：