本研究提出了一种基于拍卖的边缘推理定价机制（AERIA），有效解决了深度神经网络推理服务的个性化需求与收益激励之间的矛盾。实验结果表明，AERIA在收益最大化方面显著优于其他方法。

本文研究了在重复拍卖中，代理使用无遗憾学习算法的挑战。结果表明，尽管学习率不同，竞标者可能无法实现真实出价。与传统二价拍卖相比，随机拍卖在学习竞标者环境中能获得更好的收益保证，具有重要的收益最大化潜力。

本文探讨了通过强化学习优化交易者利润的策略，研究了上下文动态定价及其对市场噪音的影响。提出了一种新的扰动线性bandit框架，并设计了算法以降低后悔率，从而优化电子市场的保留价，实现收益最大化。

本文探讨了一价拍卖中的投标策略，提出了一种新算法以鼓励买家真实报价并减少策略性遗憾。研究涉及在线广告定价、卖方算法及拍卖机制优化，利用深度学习和历史数据设计保留价格，以最大化收益并降低投标人的后悔。通过模拟和真实数据验证了理论预测，显示新算法在减少策略遗憾方面的显著优势。