論文の概要: Multi-Agent Reinforcement Learning for Dynamic Pricing: Balancing Profitability,Stability and Fairness

• arxiv url: http://arxiv.org/abs/2603.16888v1
• Date: Sat, 28 Feb 2026 05:05:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.362376
• Title: Multi-Agent Reinforcement Learning for Dynamic Pricing: Balancing Profitability,Stability and Fairness
• Title（参考訳）: 動的価格設定のためのマルチエージェント強化学習:利益のバランス、安定性、公正性
• Authors: Krishna Kumar Neelakanta Pillai Santha Kumari Amma,
• Abstract要約: 競合条件下での動的価格最適化のためのマルチエージェント強化学習(MARL)手法の体系的実証評価を行った。 我々は、これらのアルゴリズムを、MARL文学において広く使われている独立学習者であるIDDPGベースラインと比較した。 本結果からMAPPOは,競争価格最適化のための安定かつ再現可能なアプローチとして,分散度の低い平均リターンを一貫して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）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic pricing in competitive retail markets requires strategies that adapt to fluctuating demand and competitor behavior. In this work, we present a systematic empirical evaluation of multi-agent reinforcement learning (MARL) approaches-specifically MAPPO and MADDPG-for dynamic price optimization under competition. Using a simulated marketplace environment derived from real-world retail data, we benchmark these algorithms against an Independent DDPG (IDDPG) baseline, a widely used independent learner in MARL literature. We evaluate profit performance, stability across random seeds, fairness, and training efficiency. Our results show that MAPPO consistently achieves the highest average returns with low variance, offering a stable and reproducible approach for competitive price optimization, while MADDPG achieves slightly lower profit but the fairest profit distribution among agents. These findings demonstrate that MARL methods-particularly MAPPO-provide a scalable and stable alternative to independent learning approaches for dynamic retail pricing.
• Abstract（参考訳）: 競争力のある小売市場での動的価格設定は、変動する需要と競争行動に対応する戦略を必要とする。 本研究では,競合条件下での動的価格最適化のためのマルチエージェント強化学習(MARL)の系統的評価について述べる。 実世界の小売データから得られたマーケットプレース環境を用いて、これらのアルゴリズムを、MARL文献で広く使われている独立学習者である独立DDPG(Independent DDPG)ベースラインと比較した。 我々は,利益率,ランダム種子間の安定性,公平性,トレーニング効率を評価した。 本結果から,MAPPOは競争価格最適化のための安定かつ再現可能なアプローチを提供するとともに,MADDPGはわずかに低い利益を得るが,エージェント間の利益分布は最も大きいことが示唆された。 これらの結果から,MARL法,特にMAPPO法は,動的小売価格の独立学習手法に代わる,スケーラブルで安定した代替手段であることがわかった。

関連論文リスト

• Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
  Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。 本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。 刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
  論文  参考訳（メタデータ） (2026-03-04T14:48:53Z)
• $φ$-DPO: Fairness Direct Preference Optimization Approach to Continual Learning in Large Multimodal Models [58.217707070069885]
  本稿では,LMMにおける連続学習のためのFairness Direct Preference Optimization (FaiDPO, $-DPO) フレームワークを提案する。 まず,直接選好最適化(DPO)に基づく新たな連続学習パラダイムを提案する。 大規模な実験とアブレーション研究は、提案された$-DPOが複数のベンチマークでステート・オブ・ザ・アートのパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-02-26T04:14:33Z)
• Graph-Attentive MAPPO for Dynamic Retail Pricing [0.0]
  本稿では,小売価格最適化のためのマルチエージェント強化学習の体系的研究について述べる。 強MAPPOベースラインとグラフ付加型MAPPO+GATの比較を行った。 その結果,MAPPOはポートフォリオレベルの価格管理のための堅牢で再現可能な基盤を提供することが示された。
  論文  参考訳（メタデータ） (2025-10-28T00:15:59Z)
• VAE-GAN Based Price Manipulation in Coordinated Local Energy Markets [3.498661956610689]
  本稿では,地域エネルギー市場(LEM)における不均一分散エネルギー資源(DER)との協調モデルを提案する。 提案手法は,マルチエージェントディープ決定性ポリシー勾配(MADDPG)に基づくデータ駆動型モデルフリー強化学習手法を利用する。 本研究では,変動型自動エンコーダ生成敵ネットワーク(VAE-GAN)モデルを用いた価格操作戦略について検討する。
  論文  参考訳（メタデータ） (2025-07-26T07:38:27Z)
• Multi-Agent Reinforcement Learning for Dynamic Pricing in Supply Chains: Benchmarking Strategic Agent Behaviours under Realistically Simulated Market Conditions [4.072683489517408]
  本研究では,MARL(Multi-Agent Reinforcement Learning)がサプライチェーンの動的価格戦略をどのように改善するかを検討する。 MARLは、静的な価格ルールに縛られずに、突発的な戦略行動を導入し、ダイナミックな価格設定における将来の発展を知らせる。
  論文  参考訳（メタデータ） (2025-07-03T15:07:37Z)
• Deep Learning for VWAP Execution in Crypto Markets: Beyond the Volume Curve [0.0]
  Volume-Weighted Average Price (VWAP) は、おそらく取引実行の最も一般的なベンチマークである。 VWAPの達成は、ボリュームと価格の2つの動的要因に依存しているため、本質的に困難である。 本稿では,ボリューム曲線予測の中間段階をバイパスすることで,VWAP実行目標を直接最適化するディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-19T13:49:51Z)
• Mimicking Better by Matching the Approximate Action Distribution [48.95048003354255]
  そこで我々は,Imitation Learning from Observationsのための新しい,サンプル効率の高いオンライン政治アルゴリズムMAADを紹介する。 我々は、専門家のパフォーマンスを達成するためには、かなり少ないインタラクションが必要であり、現在最先端の政治手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T12:43:47Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Achieving Diverse Objectives with AI-driven Prices in Deep Reinforcement Learning Multi-agent Markets [35.02265584959417]
  深層学習政策立案者を通じて市場価格と割当を計算するための実践的アプローチを提案する。 政策立案者はより柔軟で、多様な目的について価格を調整できます。 この結果のハイライトとして,我々の政策立案者は,資源の持続可能性を維持することに大きく成功している。
  論文  参考訳（メタデータ） (2021-06-10T21:26:17Z)
• Model-based Multi-agent Policy Optimization with Adaptive Opponent-wise Rollouts [52.844741540236285]
  マルチエージェント強化学習(MARL)におけるモデルベース手法について検討する。 AORPO(Adaptive Opponent-wise Rollout Policy)と呼ばれる新しい分散型モデルベースのMARL法を提案する。
  論文  参考訳（メタデータ） (2021-05-07T16:20:22Z)

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。