단일 에피소드 최적화를 넘어: 장기 광고 효과를 위한 슬라이딩 윈도우 기반 생성형 자동 입찰

Beyond Single-Episode Optimization: Sliding-Window Aware Generative Auto-Bidding for Long-Term Advertising Effectiveness

자동 입찰 시스템은 비용 대비 성과(CPA)와 같은 효율성 제약 조건 하에서 가치를 극대화하기 위해 입찰가를 최적화합니다. 기존 방법들은 매일을 독립적인 에피소드로 취급하지만, 많은 광고주들이 매우 드물게 가치를 창출하므로 일별 효율성 비율은 통계적으로 신뢰성이 떨어져 광고주 이탈을 초래할 수 있습니다. 따라서 플랫폼에서는 $W{=}7$일의 슬라이딩 윈도우를 사용하여 윈도우 레벨의 효율성을 평가함으로써 공정한 평가와 장기적인 광고 효과를 보장합니다. 이는 에피소드 간의 상호 연관성을 발생시킵니다. 즉, 매일의 입찰 결정은 최대 $W$개의 중복된 윈도우에 영향을 미치므로 일별 목표 설정을 위해서는 미래 시장 상황을 예측해야 합니다. 본 논문에서는 SWAG-Bid (Sliding-Window Aware Generative Auto-Bidding)이라는 계층적 프레임워크를 제안합니다. 이 프레임워크는 문제를 에피소드 레벨의 계획과 단계 레벨의 실행으로 분해합니다. 기획자는 Masked Trajectory Model을 사용하여 시장을 예측하고 후보 계획을 생성하며, Multi-Window Model Predictive Control Sampling (MWMS)을 통해 모든 중복 윈도우에 대한 점수를 산출합니다. 제어기는 Per-Step Gated Adaptive Layer Normalization (PSG-AdaLN)이라는 상태 적응 게이트를 통해 이 가이드라인에 대한 의존도를 조정하며, 예산 및 제약 조건 정보를 전달하는 Return-to-Go 및 Cost-to-Go 채널을 보완합니다. AuctionNet-Sparse 데이터셋에서의 실험과 AliExpress에서의 온라인 A/B 테스트 결과, SWAG-Bid는 슬라이딩 윈도우 평가 환경에서 경쟁력 있는 제약 조건 만족 및 가치 확보를 달성함을 보여줍니다.

Auto-bidding systems optimize bids to maximize value under efficiency constraints such as Cost-Per-Action (CPA). Existing methods treat each day as an independent episode. However, many advertisers produce value so sparsely that per-day efficiency ratios become statistically unreliable, undermining advertiser retention. Platforms therefore evaluate window-level efficiency over sliding windows of $W{=}7$ days, ensuring fair evaluation and long-term advertising effectiveness. This creates cross-episode coupling: each day's bidding decisions affect up to $W$ overlapping windows, so setting daily targets requires anticipating future market conditions. We propose SWAG-Bid (Sliding-Window Aware Generative Auto-Bidding), a hierarchical framework decomposing this challenge into episode-level planning and step-level execution. The planner uses a Masked Trajectory Model to forecast markets and generate candidate plans, scored across all overlapping windows by Multi-Window Model Predictive Control Sampling (MWMS) with exponential confidence decay. The controller adjusts reliance on this guidance through a state-adaptive gate, Per-Step Gated Adaptive Layer Normalization (PSG-AdaLN), complemented by Return-to-Go and Cost-to-Go channels carrying budget and constraint information. Experiments on AuctionNet-Sparse and online A/B tests on AliExpress show that SWAG-Bid achieves competitive constraint satisfaction and value acquisition under sliding-window evaluation.