論文の概要: Learning to Price: Interpretable Attribute-Level Models for Dynamic Markets

• arxiv url: http://arxiv.org/abs/2602.00188v1
• Date: Fri, 30 Jan 2026 07:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.041491
• Title: Learning to Price: Interpretable Attribute-Level Models for Dynamic Markets
• Title（参考訳）: 価格への学習:動的市場のための解釈可能な属性レベルモデル
• Authors: Srividhya Sethuraman, Chandrashekar Lakshminarayanan,
• Abstract要約: 本稿では,emphAdditive Feature Decomposition-based Low-dimensional Demand (textbfAFDLD)モデルを提案する。 ADEPTは動的市場条件下でほぼ最適価格を学習することを示す。 その結果,自律型価格設定エージェントの解釈可能性と効率性は共同で達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic pricing in high-dimensional markets poses fundamental challenges of scalability, uncertainty, and interpretability. Existing low-rank bandit formulations learn efficiently but rely on latent features that obscure how individual product attributes influence price. We address this by introducing an interpretable \emph{Additive Feature Decomposition-based Low-Dimensional Demand (\textbf{AFDLD}) model}, where product prices are expressed as the sum of attribute-level contributions and substitution effects are explicitly modeled. Building on this structure, we propose \textbf{ADEPT} (Additive DEcomposition for Pricing with cross-elasticity and Time-adaptive learning)-a projection-free, gradient-free online learning algorithm that operates directly in attribute space and achieves a sublinear regret of $\tilde{\mathcal{O}}(\sqrt{d}T^{3/4})$. Through controlled synthetic studies and real-world datasets, we show that ADEPT (i) learns near-optimal prices under dynamic market conditions, (ii) adapts rapidly to shocks and drifts, and (iii) yields transparent, attribute-level price explanations. The results demonstrate that interpretability and efficiency in autonomous pricing agents can be achieved jointly through structured, attribute-driven representations.
• Abstract（参考訳）: 高次元市場における動的価格設定は、スケーラビリティ、不確実性、解釈可能性という根本的な課題を生じさせる。 既存の低ランクバンディットの定式化は効率よく学習するが、個々の製品属性が価格にどのように影響するかを曖昧にする潜在機能に依存している。 商品価格を属性レベルのコントリビューションの和として表現し、置換効果を明示的にモデル化する、解釈可能な \emph{Additive Feature Decomposition-based Low-dimensional Demand (\textbf{AFDLD}) モデルを導入することで、この問題に対処する。 この構造に基づいて,属性空間内で直接動作し,$\tilde{\mathcal{O}}(\sqrt{d}T^{3/4})$のサブ線形後悔を実現するプロジェクションフリーで勾配のないオンライン学習アルゴリズムである「textbf{ADEPT}」を提案する。 制御された合成研究と実世界のデータセットを通して、ADEPTは、 二 動的市場条件下で、最適に近い価格を学習すること。 (二)衝撃や漂流に迅速に適応し、 三)透明性のある属性レベルの価格説明をする。 その結果、自律型価格設定エージェントの解釈可能性と効率性は、構造化された属性駆動型表現によって共同で達成できることが示されている。

関連論文リスト

• Reinforcement Learning for Option Hedging: Static Implied-Volatility Fit versus Shortfall-Aware Performance [7.793044742733676]
  我々は、リスク回避とトレーディングコストを組み込むことで、QLBSフレームワークのQ-learnerを拡張する。 本稿では,RLOP(Replication Learning of Option Pricing)アプローチを提案する。
  論文  参考訳（メタデータ） (2026-01-05T01:02:41Z)
• Beyond Softmax: A Natural Parameterization for Categorical Random Variables [61.709831225296305]
  階層的なバイナリ分割のシーケンスで構成される関数である$textitcatnat$関数を紹介します。 実験により,提案した関数は学習効率を向上し,一貫した試験性能を特徴とするモデルが得られることを示した。
  論文  参考訳（メタデータ） (2025-09-29T12:55:50Z)
• Parameter-Adaptive Dynamic Pricing [4.156757591117864]
  既存の手法では、しばしば要求関数の正確な知識(例えば、H"older smoothness level)とリプシッツ定数(Lipschitz constant)を必要とする。 本稿では,これらの課題に事前のパラメータ知識を使わずに対処するための適応的アプローチを提案する。 我々は、後悔を効率的に管理し、柔軟性と実用性を向上するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-03-02T15:12:28Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Self-Refinement Strategies for LLM-based Product Attribute Value Extraction [51.45146101802871]
  本稿では,製品属性値抽出タスクに2つの自己補充手法を適用した。 実験の結果, 2つの自己補充技術は, 処理コストを大幅に増大させながら, 抽出性能を著しく向上させることができないことがわかった。 開発データを持つシナリオでは、ファインチューニングが最もパフォーマンスが高いのに対して、ファインチューニングの上昇コストは製品記述の量が増加するにつれてバランスがとれる。
  論文  参考訳（メタデータ） (2025-01-02T12:55:27Z)
• Adventures in Demand Analysis Using AI [6.620286064724573]
  本稿では、人工知能(AI)から派生した多モード製品表現を統合することで、経験的需要分析を推し進める。 われわれは、Amazon.comのテキスト上でおもちゃ車の詳細なデータセットを使用して、トランスフォーマーベースの埋め込みモデルを使用して各製品を表現する。 得られた埋め込みにより,販売ランクと価格の予測精度が大幅に向上し,価格弾力性の信頼性の高い因果推定が導かれることを示す。
  論文  参考訳（メタデータ） (2024-12-31T10:33:10Z)
• 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)
• Model Distillation for Revenue Optimization: Interpretable Personalized Pricing [8.07517029746865]
  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。
  論文  参考訳（メタデータ） (2020-07-03T18:33:23Z)

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。