論文の概要: Learning Revenue Maximizing Menus of Lotteries and Two-Part Tariffs
- arxiv url: http://arxiv.org/abs/2302.11700v1
- Date: Wed, 22 Feb 2023 23:35:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 16:47:30.857344
- Title: Learning Revenue Maximizing Menus of Lotteries and Two-Part Tariffs
- Title（参考訳）: 宝くじのメニューと2部関税を最大化する学習収益
- Authors: Maria-Florina Balcan, Hedyeh Beyhaghi
- Abstract要約: 本研究では,2つの重要なメカニズム,宝くじのメニュー,および2つの関税の学習可能性について検討する。
本研究では,宝くじメニューのオンライン学習アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 21.39493074700162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study learnability of two important classes of mechanisms, menus of
lotteries and two-part tariffs. A menu of lotteries is a list of entries where
each entry is a pair consisting of probabilities of allocating each item and a
price. Menus of lotteries is an especially important family of randomized
mechanisms that are known to achieve revenue beyond any deterministic
mechanism. A menu of two-part tariffs, on the other hand, is a pricing scheme
(that consists of an up-front fee and a per unit fee) that is commonly used in
the real world, e.g., for car or bike sharing services.
We study learning high-revenue menus of lotteries and two-part tariffs from
buyer valuation data in both distributional settings, where we have access to
buyers' valuation samples up-front, and online settings, where buyers arrive
one at a time and no distributional assumption is made about their values. Our
main contribution is proposing the first online learning algorithms for menus
of lotteries and two-part tariffs with strong regret bound guarantees.
Furthermore, we provide algorithms with improved running times over prior work
for the distributional settings.
The key difficulty when deriving learning algorithms for these settings is
that the relevant revenue functions have sharp transition boundaries. In stark
contrast with the recent literature on learning such unstructured functions, we
show that simple discretization-based techniques are sufficient for learning in
these settings.
- Abstract（参考訳）: 本研究では,2つの重要なメカニズム,宝くじのメニュー,および2つの関税の学習可能性について検討する。
宝くじのメニューは、各エントリが各アイテムと価格を割り当てる確率からなるペアであるエントリのリストである。
宝くじのメニュー(英: menus of lotteries)は、決定論的メカニズムを超えて収入を得る上で特に重要なランダム化メカニズムである。
一方、二分関税のメニューは、車や自転車の共有サービスなど、現実世界で一般的に使用される価格体系(前払いと単価1人あたりの料金)である。
本研究では,小売店の高精細度メニューを学習し,購入者の評価データから購入者の評価データにアクセス可能な配当設定と,購入者が一度に1回到着するオンライン設定の両方で購入者の評価データから2つの関税を課す。
私たちの主な貢献は、宝くじのメニューと2部関税のためのオンライン学習アルゴリズムの提案です。
さらに,分散設定の事前作業よりも実行時間を改善するアルゴリズムを提供する。
これらの設定で学習アルゴリズムを導出する際の重要な困難は、関連する収益関数が急激な遷移境界を持っていることである。
このような非構造化関数の学習に関する最近の文献とは対照的に,これらの学習には単純な離散化に基づく手法が十分であることを示す。
関連論文リスト
- Selling Joint Ads: A Regret Minimization Perspective [7.288063443108292]
オンライン小売によるモチベーションにより、一品(広告スロットなど)を2つの非排除購入者(商店、ブランド等)に販売する問題を考える。
この問題は、例えば、マーチャントとブランドが商品を宣伝するために競売に協力して入札する状況と、表示されている広告の恩恵を捉えている。
メカニズムは2つの入札を収集し、どちらを割り当てるか、どの支払いを行うかを決定する。
論文 参考訳（メタデータ） (2024-09-12T07:59:10Z) - 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) - Learning-augmented Online Algorithm for Two-level Ski-rental Problem [8.381344684943212]
本研究では,3つの支払いオプションのうちの1つを選択することで,複数の項目に対する要求の順序を満たす必要がある2段階のスキーレンタル問題について検討する。
我々は、機械学習予測を頑健なオンラインアルゴリズムに組み込むことにより、学習増強アルゴリズム(LADTSR)を開発した。
論文 参考訳（メタデータ） (2024-02-09T16:10:54Z) - Refined Mechanism Design for Approximately Structured Priors via Active
Regression [50.71772232237571]
我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。
この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
論文 参考訳（メタデータ） (2023-10-11T20:34:17Z) - Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。
このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。
上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
論文 参考訳（メタデータ） (2023-02-02T16:30:33Z) - Faithful Edge Federated Learning: Scalability and Privacy [4.8534377897519105]
フェデレーション学習は、ローカルデータセットの交換を必要とせずに、分散型エッジデバイスのネットワーク上で機械学習アルゴリズムをトレーニングすることを可能にする。
エージェントが自発的に参加するインセンティブに、フェデレーション学習の鍵となる特徴、不均衡データおよび非i.d.データがどのように影響するかを分析する。
経済性,スケーラビリティ,プライバシを満足する2つの忠実な連合学習機構を設計する。
論文 参考訳（メタデータ） (2021-06-30T08:46:40Z) - Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。
エージェントの好みを学習するためのオンライン学習機構を提案する。
数値シミュレーションにより,本機構の有効性を実証する。
論文 参考訳（メタデータ） (2021-06-11T21:32:17Z) - Certifying Strategyproof Auction Networks [53.37051312298459]
我々は、任意の数のアイテムと参加者でオークションを表現できるRegretNetアーキテクチャに焦点を当てる。
本稿では,ニューラルネットワーク検証文献から得られた手法を用いて,特定の評価プロファイルの下で戦略の安全性を明示的に検証する方法を提案する。
論文 参考訳（メタデータ） (2020-06-15T20:22:48Z) - Generalization Guarantees for Multi-item Profit Maximization: Pricing,
Auctions, and Randomized Mechanisms [86.81403511861788]
購入者の価値に根ざした分布が存在する場合のマルチイテム利益について検討する。
購入者の値の任意のセットに対して、利益はメカニズムのパラメーターにおいて断片的に線形である。
我々は、まだサンプルベースのメカニズム設計文献にはないメカニズムクラスに対する新しい境界を証明した。
論文 参考訳（メタデータ） (2017-04-29T22:02:14Z)
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。