論文の概要: Causal Identification in Multi-Task Demand Learning with Confounding

• arxiv url: http://arxiv.org/abs/2602.09969v1
• Date: Tue, 10 Feb 2026 16:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.692436
• Title: Causal Identification in Multi-Task Demand Learning with Confounding
• Title（参考訳）: コンバウンディングを用いたマルチタスク・デマンド学習における因果同定
• Authors: Varun Gupta, Vijay Kamble,
• Abstract要約: 価格とタスク構造に任意の依存があるにもかかわらず因果同定を実現する新しい推定フレームワークを提案する。 我々の結果は、運用環境に因果的、データ駆動型価格モデルを展開するための原則的な基盤を提供する。
• 参考スコア（独自算出の注目度）: 2.576451604318843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a canonical multi-task demand learning problem motivated by retail pricing, in which a firm seeks to estimate heterogeneous linear price-response functions across a large collection of decision contexts. Each context is characterized by rich observable covariates yet typically exhibits only limited historical price variation, motivating the use of multi-task learning to borrow strength across tasks. A central challenge in this setting is endogeneity: historical prices are chosen by managers or algorithms and may be arbitrarily correlated with unobserved, task-level demand determinants. Under such confounding by latent fundamentals, commonly used approaches, such as pooled regression and meta-learning, fail to identify causal price effects. We propose a new estimation framework that achieves causal identification despite arbitrary dependence between prices and latent task structure. Our approach, Decision-Conditioned Masked-Outcome Meta-Learning (DCMOML), involves carefully designing the information set of a meta-learner to leverage cross-task heterogeneity while accounting for endogenous decision histories. Under a mild restriction on price adaptivity in each task, we establish that this method identifies the conditional mean of the task-specific causal parameters given the designed information set. Our results provide guarantees for large-scale demand estimation with endogenous prices and small per-task samples, offering a principled foundation for deploying causal, data-driven pricing models in operational environments.
• Abstract（参考訳）: 本研究では、小売価格に動機づけられた多タスク需要学習の標準的課題について検討し、企業は、意思決定コンテキストの集合全体にわたって、不均一な線形価格応答関数を推定しようとしている。 それぞれの文脈は、リッチな観測可能な共変量体によって特徴づけられるが、典型的には歴史的価格変動に限られており、タスク間の強度を借りるためにマルチタスク学習を使用する動機となっている。 歴史的価格はマネージャやアルゴリズムによって選択され、観測されていないタスクレベルの需要決定要因と任意に相関する可能性がある。 潜伏基盤によるこのような混乱の下で、プール化回帰やメタラーニングのような一般的なアプローチは因果価格効果を識別できない。 本稿では,価格と潜在タスク構造との任意の依存に拘わらず,因果同定を実現するための新たな推定手法を提案する。 我々のアプローチであるDCMOML(Decision-Conditioned Masked-Outcome Meta-Learning)は、内因性決定履歴を考慮に入れながら、マルチタスクの不均一性を活用するメタラーナーの情報セットを慎重に設計する。 本手法は,各タスクにおける価格適応性の軽度な制限の下で,設計された情報集合からタスク固有の因果パラメータの条件平均を同定する。 本結果は,内因性価格による大規模需要予測とタスク毎のサンプルの小型化を保証し,運用環境に因果的データ駆動価格モデルを展開するための基本的基盤を提供する。

関連論文リスト

• Model Predictive Task Sampling for Efficient and Robust Adaptation [57.414812940406996]
  本稿では,タスク空間と適応リスク分布をブリッジするフレームワークであるモデル予測タスクサンプリング(MPTS)を紹介する。 MPTSは、エピソード最適化プロセスの特徴付けに生成モデルを使用し、後部推論によりタスク固有の適応リスクを予測する。 MPTSはゼロショット、少数ショット、教師付き微調整設定にシームレスに統合される。
  論文  参考訳（メタデータ） (2025-01-19T13:14:53Z)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• Data-Driven Knowledge Transfer in Batch $Q^*$ Learning [5.6665432569907646]
  バッチ定常環境に集中して動的意思決定における知識伝達について検討する。 本稿では,一般関数近似を用いたTransferred Fitted $Q$-Iterationアルゴリズムのフレームワークを提案する。 Q*$関数の最終学習誤差は、単一のタスクレートから大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-04-01T02:20:09Z)
• A Unified Causal View of Instruction Tuning [76.1000380429553]
  メタ構造因果モデル(meta-SCM)を開発し、異なるNLPタスクをデータの単一因果構造の下で統合する。 主なアイデアは、タスク要求因果関係を学習し、タスクの予測にのみそれらを使用することである。
  論文  参考訳（メタデータ） (2024-02-09T07:12:56Z)
• Mastering the Task of Open Information Extraction with Large Language Models and Consistent Reasoning Environment [52.592199835286394]
  オープン情報抽出(OIE)は、自然文から客観的な構造化された知識を抽出することを目的としている。 大規模言語モデル(LLM)は、テキスト内学習能力に優れています。
  論文  参考訳（メタデータ） (2023-10-16T17:11:42Z)
• 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)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Self-adapting Robustness in Demand Learning [1.949912057689623]
  本研究では,需要モデルあいまいさの存在下で,有限期間にわたる動的価格付けについて検討する。 データから真のモデルパラメータを学習するARL(Adaptively-robust-learning)価格ポリシを開発する。 我々は,ARLの自己適応的あいまいさセットの挙動を特徴付け,収益損失の規模と顧客到着パターンとの関係を強調する後悔の限界を導出する。
  論文  参考訳（メタデータ） (2020-11-21T01:15:54Z)
• Uncertainty Quantification for Demand Prediction in Contextual Dynamic Pricing [20.828160401904697]
  本研究では,需要関数に対する精度の高い信頼区間構築の問題について検討する。 偏りのあるアプローチを開発し、偏りのある推定器の正規性を保証する。
  論文  参考訳（メタデータ） (2020-03-16T04:21:58Z)

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。