論文の概要: A Competition-based Pricing Strategy in Cloud Markets using Regret
Minimization Techniques
- arxiv url: http://arxiv.org/abs/2309.11312v1
- Date: Wed, 20 Sep 2023 13:38:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 16:00:17.059370
- Title: A Competition-based Pricing Strategy in Cloud Markets using Regret
Minimization Techniques
- Title(参考訳): 後悔最小化手法を用いたクラウド市場における競争ベースの価格戦略
- Authors: S.Ghasemi, M.R.Meybodi, M.Dehghan, A.M.Rahmani
- Abstract要約: 本研究は,後悔最小化アルゴリズムに関連する価格ポリシーを提案し,不完全情報ゲームに適用する。
クラウドの競合ベースのマーケットプレースに基づいて、プロバイダは経験豊富な後悔を使って戦略の配布を更新する。
実験の結果は、他の価格政策と比較して、プロバイダの利益が大幅に増加したことを示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud computing as a fairly new commercial paradigm, widely investigated by
different researchers, already has a great range of challenges. Pricing is a
major problem in Cloud computing marketplace; as providers are competing to
attract more customers without knowing the pricing policies of each other. To
overcome this lack of knowledge, we model their competition by an
incomplete-information game. Considering the issue, this work proposes a
pricing policy related to the regret minimization algorithm and applies it to
the considered incomplete-information game. Based on the competition based
marketplace of the Cloud, providers update the distribution of their strategies
using the experienced regret. The idea of iteratively applying the algorithm
for updating probabilities of strategies causes the regret get minimized
faster. The experimental results show much more increase in profits of the
providers in comparison with other pricing policies. Besides, the efficiency of
a variety of regret minimization techniques in a simulated marketplace of Cloud
are discussed which have not been observed in the studied literature. Moreover,
return on investment of providers in considered organizations is studied and
promising results appeared.
- Abstract(参考訳): クラウドコンピューティングは、さまざまな研究者によって広く研究されている、かなり新しい商用パラダイムである。
プロバイダが互いの価格ポリシーを知らずにより多くの顧客を引き付けようとしているため、価格設定はクラウドコンピューティングマーケットプレースにおいて大きな問題である。
この知識の欠如を克服するために、不完全な情報ゲームによってそれらの競争をモデル化する。
そこで本研究では,後悔最小化アルゴリズムに関連する価格政策を提案し,不完全な情報ゲームに適用する。
クラウドの競合ベースのマーケットプレースに基づいて、プロバイダは経験豊富な後悔を使って戦略の配布を更新する。
戦略の確率を更新するアルゴリズムを反復的に適用するというアイデアは、後悔を最小化する。
実験の結果は、他の価格政策と比較して、プロバイダの利益が大幅に増加したことを示している。
また,クラウドのシミュレーション市場における様々な後悔の最小化手法の有効性について検討したが,本研究の文献では確認されていない。
また、検討対象組織への提供者投資の見返りが研究され、有望な結果が得られた。
関連論文リスト
- Strategically-Robust Learning Algorithms for Bidding in First-Price
Auctions [13.474384048001259]
ゲーム理論と機械学習のインターフェースにおいて,プライスオークションを繰り返し競うことの学習は基本的な問題である。
本稿では,プライスオークションにおける純ストラテジー入札のための新しいコンケーブの定式化を提案し,この問題に対する自然なグラディエント・アセンセント・アルゴリズムの解析に利用した。
論文 参考訳(メタデータ) (2024-02-12T01:33:33Z) - Online Conversion with Switching Costs: Robust and Learning-Augmented
Algorithms [11.582885296330195]
エネルギーとサステナビリティの交差点で発生した問題を捉えるオンライン問題の一群である,スイッチングコストによるオンライン変換について検討する。
本稿では,この問題の決定論的および決定論的変異に対して,競合的(ロバストな)しきい値に基づくアルゴリズムを導入する。
そこで我々は,ブラックボックスのアドバイスを活かした学習強化アルゴリズムを提案し,平均ケース性能を著しく向上させた。
論文 参考訳(メタデータ) (2023-10-31T16:34:49Z) - Dynamic Pricing of Applications in Cloud Marketplaces using Game Theory [6.369406986434764]
本稿では,新しい動的価格戦略を提供するゲームとして,クラウドマーケットプレースを定量的にモデル化する。
競争ベースの価格政策を改善するために、提供者が登録する委員会が検討されている。
コミッショナーの使用により、ゲームは完全な情報となり、各プレイヤーは他のすべての支払い機能を認識している。
論文 参考訳(メタデータ) (2023-09-20T13:41:45Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳(メタデータ) (2022-04-16T12:03:52Z) - A Sparsity Algorithm with Applications to Corporate Credit Rating [11.52337781510312]
提案手法は, 最適化問題を解くとともに, 反現実的説明の空間性を最大化する「スパーシティアルゴリズム」を提案する。
当社は、公開企業に対して、信用格付けを改善するための簡単な提案を行うために、スパーシリティアルゴリズムを適用している。
論文 参考訳(メタデータ) (2021-07-21T18:47:35Z) - Model-Free Online Learning in Unknown Sequential Decision Making
Problems and Games [114.90723492840499]
大規模な2人プレイのゼロサム情報ゲームでは、反事実後悔最小化(cfr)の現代的な拡張がnash均衡を計算するための実用的な技術である。
私たちは、戦略空間がエージェントに知られていないオンライン学習設定を形式化します。
エージェントが逆の環境に直面しても、その設定に高い確率で$O(T3/4)$後悔を達成する効率的なアルゴリズムを提供します。
論文 参考訳(メタデータ) (2021-03-08T04:03:24Z) - Disturbing Reinforcement Learning Agents with Corrupted Rewards [62.997667081978825]
強化学習アルゴリズムに対する報酬の摂動に基づく異なる攻撃戦略の効果を分析します。
敵対的な報酬をスムーズに作成することは学習者を誤解させることができ、低探査確率値を使用すると、学習した政策は報酬を腐敗させるのがより堅牢であることを示しています。
論文 参考訳(メタデータ) (2021-02-12T15:53:48Z) - Competing Bandits: The Perils of Exploration Under Competition [119.39607854637798]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳(メタデータ) (2020-07-20T14:19:08Z) - Hierarchical Adaptive Contextual Bandits for Resource Constraint based
Recommendation [49.69139684065241]
コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。
本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
論文 参考訳(メタデータ) (2020-04-02T17:04:52Z) - Adversarial Attacks on Linear Contextual Bandits [87.08004581867537]
悪意のあるエージェントは、望ましい行動を実行するためにバンディットアルゴリズムを攻撃するインセンティブを持つ可能性がある。
悪意のあるエージェントは、線形コンテキストのバンドイットアルゴリズムに任意のアーム$T - o(T)$倍を$T$ステップで引き出すように強制することができる。
また,悪意のあるエージェントが単一コンテキストにおける帯域幅アルゴリズムの動作に影響を与えることに関心がある場合についても検討する。
論文 参考訳(メタデータ) (2020-02-10T15:04:09Z)
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。