論文の概要: Homogeneous Algorithms Can Reduce Competition in Personalized Pricing

• arxiv url: http://arxiv.org/abs/2503.15634v1
• Date: Wed, 19 Mar 2025 18:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:34:52.339849
• Title: Homogeneous Algorithms Can Reduce Competition in Personalized Pricing
• Title（参考訳）: 均質なアルゴリズムはパーソナライズされた価格の競争を減らせる
• Authors: Nathanael Jo, Kathleen Creel, Ashia Wilson, Manish Raghavan,
• Abstract要約: パーソナライズされた価格設定の文脈における競合に対する相関アルゴリズムの影響について検討する。 本結果は,アルゴリズムが過剰なコミュニケーションを伴わずに価格相関を促進することの容易さを裏付けるものである。 我々は、米国反トラスト法の適用と解釈における結果の影響を分析する。
• 参考スコア（独自算出の注目度）: 2.6153256849514994
• License:
• Abstract: Firms' algorithm development practices are often homogeneous. Whether firms train algorithms on similar data, aim at similar benchmarks, or rely on similar pre-trained models, the result is correlated predictions. We model the impact of correlated algorithms on competition in the context of personalized pricing. Our analysis reveals that (1) higher correlation diminishes consumer welfare and (2) as consumers become more price sensitive, firms are increasingly incentivized to compromise on the accuracy of their predictions in exchange for coordination. We demonstrate our theoretical results in a stylized empirical study where two firms compete using personalized pricing algorithms. Our results underscore the ease with which algorithms facilitate price correlation without overt communication, which raises concerns about a new frontier of anti-competitive behavior. We analyze the implications of our results on the application and interpretation of US antitrust law.
• Abstract（参考訳）: 企業におけるアルゴリズム開発は、しばしば均質である。 企業が同様のデータでアルゴリズムを訓練するか、同様のベンチマークを目標にするか、あるいは同様の事前訓練されたモデルに依存しているかにかかわらず、結果は相関予測である。 我々は、パーソナライズされた価格の文脈における競合に対する相関アルゴリズムの影響をモデル化する。 分析の結果,(1)高い相関関係が消費者福祉を減少させ,(2)消費者がより価格に敏感になるにつれて,企業は協調と引き換えに予測の正確さを妥協するインセンティブをますます高めていることが明らかとなった。 我々は,2つの企業がパーソナライズされた価格設定アルゴリズムを用いて競合する,スタイリングされた実証的研究で理論的結果を実証した。 本結果は,アルゴリズムが過剰なコミュニケーションを伴わずに価格相関を促進することの容易さを裏付けるものであり,反競争的行動の新たなフロンティアへの懸念を提起するものである。 我々は、米国反トラスト法の適用と解釈における結果の影響を分析する。

関連論文リスト

• Multi-Agent Performative Prediction Beyond the Insensitivity Assumption: A Case Study for Mortgage Competition [9.76109892287411]
  不感な仮定が持たないパフォーマンス予測の代表的な設定について検討する。 私たちは「バンクゲーム」と呼ぶ特定のゲームに焦点を当てています 我々の分析は、このゲームの平衡を特徴付け、両企業が共通かつ自然な非回帰学習ダイナミクスを使用する場合、そのダイナミクスは常に安定な結果に収束することを示した。
  論文  参考訳（メタデータ） (2025-02-12T02:04:46Z)
• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• Overcoming Brittleness in Pareto-Optimal Learning-Augmented Algorithms [6.131022957085439]
  本稿では,ユーザ特定プロファイルを用いて,アルゴリズムの性能のスムーズさを強制する新しいフレームワークを提案する。 我々は、この新しいアプローチを、よく研究されたオンライン問題、すなわち片道取引問題に適用する。
  論文  参考訳（メタデータ） (2024-08-07T23:15:21Z)
• Are we making progress in unlearning? Findings from the first NeurIPS unlearning competition [70.60872754129832]
  アンラーニングに関する最初のNeurIPSコンペティションは、新しいアルゴリズムの開発を刺激しようとした。 世界中から約1200チームが参加した。 トップソリューションを分析し、アンラーニングのベンチマークに関する議論を掘り下げます。
  論文  参考訳（メタデータ） (2024-06-13T12:58:00Z)
• By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning [1.5249435285717095]
  本研究は、反復価格競争の実験的なオリゴポリーモデルを用いる。 我々は,エージェントが開発する戦略と価格パターンについて検討し,その結果を導出する可能性がある。 以上の結果から,RLをベースとしたAIエージェントは,超競争的価格帯電を特徴とする癒着状態に収束することが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T15:35:08Z)
• Rethinking Algorithmic Fairness for Human-AI Collaboration [29.334511328067777]
  アルゴリズムフェアネスに対する既存のアプローチは、人間の意思決定者がアルゴリズムに完全に従えば、公平な結果を確保することを目的としている。 我々は、独立して公平で、コンプライアンスが不当に公正で、人間のポリシーよりも正確であるアルゴリズムレコメンデーションを設計することは不可能であることを示した。
  論文  参考訳（メタデータ） (2023-10-05T16:21:42Z)
• Decentralized, Communication- and Coordination-free Learning in Structured Matching Markets [2.9833943723592764]
  両面マッチング市場における競争環境におけるオンライン学習の問題について検討する。 本稿では、エージェントが安定したマッチングに到達できるように、分散化、通信、調整不要なアルゴリズムのクラスを提案する。
  論文  参考訳（メタデータ） (2022-06-06T04:08:04Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)
• Fair Correlation Clustering [92.15492066925977]
  相関クラスタリングの近似アルゴリズムは,いくつかの重要なフェアネス制約の下で得られる。 相関クラスタリングに対する公平な解は、最先端の(不公平な)アルゴリズムと比較して、コストを抑えながら得られることを示す。
  論文  参考訳（メタデータ） (2020-02-06T14:28:21Z)

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。