論文の概要: Model Distillation for Revenue Optimization: Interpretable Personalized Pricing

• arxiv url: http://arxiv.org/abs/2007.01903v2
• Date: Wed, 9 Jun 2021 18:22:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 05:00:39.276711
• Title: Model Distillation for Revenue Optimization: Interpretable Personalized Pricing
• Title（参考訳）: 収益最適化のためのモデル蒸留:パーソナライズ価格の解釈
• Authors: Max Biggs, Wei Sun, Markus Ettl
• Abstract要約: 我々は、複雑なブラックボックス機械学習アルゴリズムから知識を抽出する、カスタマイズされた、規範的なツリーベースアルゴリズムを提案する。 同様のバリュエーションで顧客を分割し、解釈可能性を維持しながら収益を最大化するような価格を定めている。
• 参考スコア（独自算出の注目度）: 8.07517029746865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven pricing strategies are becoming increasingly common, where customers are offered a personalized price based on features that are predictive of their valuation of a product. It is desirable for this pricing policy to be simple and interpretable, so it can be verified, checked for fairness, and easily implemented. However, efforts to incorporate machine learning into a pricing framework often lead to complex pricing policies which are not interpretable, resulting in slow adoption in practice. We present a customized, prescriptive tree-based algorithm that distills knowledge from a complex black-box machine learning algorithm, segments customers with similar valuations and prescribes prices in such a way that maximizes revenue while maintaining interpretability. We quantify the regret of a resulting policy and demonstrate its efficacy in applications with both synthetic and real-world datasets.
• Abstract（参考訳）: データ駆動価格戦略は、顧客が製品の評価を予測する機能に基づいてパーソナライズされた価格を提供するという、ますます一般的になっています。 この価格設定ポリシーは単純かつ解釈可能であることが望ましいので、検証、公正性確認、実装が容易である。 しかしながら、機械学習を価格フレームワークに組み込むことは、解釈不可能な複雑な価格ポリシーにつながることが多く、実際には採用が遅くなる。 我々は、複雑なブラックボックス機械学習アルゴリズムから知識を抽出し、顧客を同様の評価で分割し、解釈可能性を維持しながら収益を最大化する、カスタマイズされた規範的なツリーベースアルゴリズムを提案する。 我々は、結果として生じるポリシーの後悔を定量化し、合成データと実世界のデータセットの両方のアプリケーションでその効果を実証する。

関連論文リスト

• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• Utility Fairness in Contextual Dynamic Pricing with Demand Learning [23.26236046836737]
  本稿では,ユーティリティフェアネス制約下でのパーソナライズされた価格設定のための新しいコンテキスト帯域幅アルゴリズムを提案する。 動的価格設定と需要学習を取り入れた当社のアプローチは,価格戦略における公正性の重要課題に対処する。
  論文  参考訳（メタデータ） (2023-11-28T05:19:23Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)
• Personalized Pricing with Invalid Instrumental Variables: Identification, Estimation, and Policy Learning [5.372349090093469]
  本研究は,インストゥルメンタル変数アプローチを用いて,内在性の下でのオフラインパーソナライズド価格について検討する。 Invalid iNsTrumental変数を用いたパーソナライズされたプライシングのための新しいポリシー学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T14:50:47Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Convex Loss Functions for Contextual Pricing with Observational Posted-Price Data [2.538209532048867]
  我々は、販売者が以前に提供された価格のサンプルにアクセス可能な、政治的でない価格問題について検討する。 これは、顧客の評価(支払いの意志)のサンプルが観察される、よく研究された設定とは対照的である。 我々の設定では、観測されたデータは歴史的価格政策の影響を受けており、顧客が代替価格にどう反応したかは分かっていません。
  論文  参考訳（メタデータ） (2022-02-16T22:35:39Z)
• Loss Functions for Discrete Contextual Pricing with Observational Data [8.661128420558349]
  顧客および/または製品の特徴に基づいて、各顧客がコンテキスト化された価格で提供される価格設定について検討する。 顧客の真の価値よりも,各顧客が所定の価格で商品を購入しているかどうかを観察する。
  論文  参考訳（メタデータ） (2021-11-18T20:12:57Z)
• Distribution-free Contextual Dynamic Pricing [5.773269033551628]
  コンテキスト動的価格設定は、顧客との逐次的なインタラクションに基づいてパーソナライズされた価格を設定することを目的としている。 本稿では,未知のランダムノイズを伴う文脈的動的価格を評価モデルで検討する。 我々の流通自由価格政策は、コンテキスト関数と市場ノイズの両方を同時に学習する。
  論文  参考訳（メタデータ） (2021-09-15T14:52:44Z)
• Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
  顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。 選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
  論文  参考訳（メタデータ） (2020-12-21T01:01:56Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。