有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
AuctionNet|广告拍卖数据集|强化学习数据集
收藏arXiv2024-12-14 更新2024-12-25 收录
下载链接：
https://github.com/alimama-tech/AuctionNet
下载链接
链接失效反馈资源简介：
AuctionNet是由北京大学和阿里巴巴集团联合创建的一个用于大规模广告拍卖决策的基准数据集。该数据集基于真实的在线广告平台，包含超过5亿条记录，占用80GB存储空间，涵盖48个不同代理的竞争轨迹。数据集的创建过程通过深度生成模型模拟真实广告拍卖环境，确保数据的完整性和复杂性，同时避免敏感数据暴露。AuctionNet不仅适用于广告拍卖中的竞价决策研究，还可推广至大规模游戏中的决策问题，旨在推动强化学习、生成模型等领域的研究。
提供机构：
北京大学计算机科学学院，阿里巴巴集团
创建时间：
2024-12-14
AI搜集汇总
数据集介绍
构建方式
AuctionNet数据集的构建基于一个真实世界的在线广告平台，旨在为大规模广告拍卖中的决策制定提供基准。数据集由三个主要部分组成：广告拍卖环境、基于该环境预生成的数据集以及几种基线投标决策算法的性能评估。广告拍卖环境通过多个模块的交互，有效复制了现实世界广告拍卖的完整性和复杂性。广告机会生成模块采用深度生成模型，弥合了模拟数据与真实数据之间的差距，同时减少了敏感数据暴露的风险。投标模块实现了多种自动投标代理，这些代理使用不同的决策算法进行训练。拍卖模块基于经典的广义第二价格（GSP）拍卖，但也允许根据需要自定义拍卖机制。
使用方法
AuctionNet数据集的使用方法主要包括环境交互、数据分析和算法评估。研究者可以通过与广告拍卖环境的交互，模拟自动投标代理的决策过程，并生成新的数据。预生成的数据集可以用于离线训练和评估自动投标算法，帮助研究者快速了解广告拍卖的生态系统。此外，数据集还提供了几种基线算法的性能评估，包括线性规划、强化学习和生成模型等，研究者可以基于这些基线算法进行进一步的优化和创新。数据集的使用不仅限于广告拍卖领域，还可应用于强化学习、生成模型、运筹学和机制设计等多个领域的研究。
背景与挑战
背景概述
AuctionNet是由北京大学和阿里巴巴集团的研究团队于2024年推出的一个大规模广告拍卖决策基准数据集。该数据集旨在解决人工智能领域中的大规模游戏决策问题，特别是在线广告拍卖中的自动竞价决策问题。AuctionNet基于真实的在线广告平台数据，构建了一个包含广告拍卖环境、预生成数据集以及多个基线算法性能评估的综合性基准。该数据集的核心研究问题是如何在复杂的多代理环境中优化广告主的竞价策略，以最大化其广告效果。AuctionNet的推出不仅推动了广告拍卖领域的研究进展，还为强化学习、生成模型和机制设计等领域的学者提供了宝贵的研究资源。该数据集已在NeurIPS 2024竞赛中得到应用，吸引了全球1500多支队伍参与，推动了该领域的创新与发展。
当前挑战
AuctionNet面临的挑战主要体现在两个方面。首先，在领域问题方面，广告拍卖中的自动竞价决策涉及复杂的多代理动态博弈，如何在有限的预算和CPA（每次行动成本）约束下优化竞价策略是一个极具挑战性的问题。现有的算法在处理大规模、高维度的广告拍卖数据时，往往难以平衡竞价策略的鲁棒性和效率。其次，在数据集构建过程中，如何生成与真实广告数据高度相似的模拟数据，同时避免敏感数据的泄露，也是一个重要的技术难题。尽管AuctionNet通过深度生成模型在一定程度上缓解了这一问题，但在某些细节上，生成数据与真实数据仍存在偏差，这可能会影响算法的泛化性能。此外，如何设计一个既能反映真实拍卖复杂性又能支持多样化研究的拍卖环境，也是构建过程中的一大挑战。
常用场景
经典使用场景
AuctionNet作为一个大规模广告拍卖决策的基准，广泛应用于人工智能领域，特别是在大规模游戏中的决策制定研究。其经典使用场景包括模拟真实世界的在线广告拍卖环境，通过生成广告机会、竞价模块和拍卖模块的交互，复现了广告拍卖的完整性和复杂性。研究人员可以利用AuctionNet生成的预数据集，评估不同竞价决策算法的性能，如线性规划、强化学习和生成模型等。
解决学术问题
AuctionNet解决了大规模广告拍卖中决策制定算法的研究难题。由于真实世界的大规模广告拍卖环境难以获取，研究进展受到限制。AuctionNet通过提供一个基于真实在线广告平台的基准，填补了这一空白。它不仅帮助研究人员开发和评估竞价决策算法，还为大规模游戏中的多智能体决策制定提供了研究平台，推动了强化学习、生成模型、运筹学和机制设计等领域的发展。
实际应用
AuctionNet在实际应用中具有广泛的价值。它被应用于NeurIPS 2024竞赛，吸引了全球1500多支队伍参与，提供了近万次准确且公平的算法评估。通过AuctionNet，参赛者能够在不确定和竞争激烈的环境中进行高频竞价决策，推动了广告拍卖领域的技术创新。此外，AuctionNet还为在线广告平台提供了优化竞价策略的工具，帮助广告商在预算和投资回报率等约束下最大化广告效果。
数据集最近研究
最新研究方向
AuctionNet作为大规模广告拍卖中决策制定的基准，近年来在人工智能领域引起了广泛关注。该数据集通过模拟真实世界的在线广告平台，提供了一个包含广告拍卖环境、预生成数据集以及多种基线算法性能评估的综合框架。其前沿研究方向主要集中在多智能体决策制定、强化学习与生成模型的结合，以及拍卖机制的设计与优化。特别是在NeurIPS 2024竞赛中，AuctionNet为1500多支参赛队伍提供了近万次精确的算法评估，推动了该领域的技术创新与多样化解决方案的涌现。AuctionNet不仅为广告拍卖中的投标决策算法研究提供了重要支持，还广泛应用于大规模游戏决策、机制设计等更广泛的领域，具有深远的学术与工业应用价值。
相关研究论文
- 1AuctionNet: A Novel Benchmark for Decision-Making in Large-Scale Games北京大学计算机科学学院，阿里巴巴集团 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
学生课堂行为数据集 (SCB-dataset3)
学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。
arXiv 收录
AISHELL/AISHELL-1
Aishell是一个开源的中文普通话语音语料库，由北京壳壳科技有限公司发布。数据集包含了来自中国不同口音地区的400人的录音，录音在安静的室内环境中使用高保真麦克风进行，并下采样至16kHz。通过专业的语音标注和严格的质量检查，手动转录的准确率超过95%。该数据集免费供学术使用，旨在为语音识别领域的新研究人员提供适量的数据。
hugging_face 收录
Breast Cancer Dataset
该项目专注于清理和转换一个乳腺癌数据集，该数据集最初由卢布尔雅那大学医学中心肿瘤研究所获得。目标是通过应用各种数据转换技术（如分类、编码和二值化）来创建一个可以由数据科学团队用于未来分析的精炼数据集。
github 收录
典型分布式光伏出力预测数据集
光伏电站出力数据每5分钟从电站机房监控系统获取；气象实测数据从气象站获取，气象站建于电站30号箱变附近，每5分钟将采集的数据通过光纤传输到机房；数值天气预报数据利用中国电科院新能源气象应用机房的WRF业务系统（包括30TF计算刀片机、250TB并行存储）进行中尺度模式计算后输出预报产品，每日8点前通过反向隔离装置推送到电站内网预测系统。
国家基础学科公共科学数据中心 收录
THUCNews
THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。本次比赛数据集在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。提供训练数据共832471条。
github 收录