論文の概要: The Value of Information in Resource-Constrained Pricing

• arxiv url: http://arxiv.org/abs/2603.24974v1
• Date: Thu, 26 Mar 2026 03:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.071308
• Title: The Value of Information in Resource-Constrained Pricing
• Title（参考訳）: 資源制約価格における情報の価値
• Abstract要約: ハードキャパシティの制約の下では、不正確な予測に作用することで、将来の期間に必要な在庫を不可逆的に減少させることができる。 本研究では,予測の不確実性が線形需要,雑音,有限容量の動的価格決定にどのように伝播するかを検討する。 すべてのアルゴリズムは、キャパシティ境界付近の価格を安定化する境界アトラクション機構に依存している。
• 参考スコア（独自算出の注目度）: 17.844881458673267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Firms that price perishable resources -- airline seats, hotel rooms, seasonal inventory -- now routinely use demand predictions, but these predictions vary widely in quality. Under hard capacity constraints, acting on an inaccurate prediction can irreversibly deplete inventory needed for future periods. We study how prediction uncertainty propagates into dynamic pricing decisions with linear demand, stochastic noise, and finite capacity. A certified demand forecast with known error bound~$ε^0$ specifies where the system should operate: it shifts regret from $O(\sqrt{T})$ to $O(\log T)$ when $ε^0 \lesssim T^{-1/4}$, and we prove this threshold is tight. A misspecified surrogate model -- biased but correlated with true demand -- cannot set prices directly but reduces learning variance by a factor of $(1-ρ^2)$ through control variates. The two mechanisms compose: the forecast determines the regret regime; the surrogate tightens estimation within it. All algorithms rest on a boundary attraction mechanism that stabilizes pricing near degenerate capacity boundaries without requiring non-degeneracy assumptions. Experiments confirm the phase transition threshold, the variance reduction from surrogates, and robustness across problem instances.
• Abstract（参考訳）: 航空会社の座席やホテルの部屋、季節別在庫など、生鮮資源を値下げする企業では、需要予測が日常的に行われているが、こうした予測は質的に大きく異なる。 ハードキャパシティの制約の下では、不正確な予測に作用することで、将来の期間に必要な在庫を不可逆的に減少させることができる。 本研究では,予測の不確実性が線形需要,確率ノイズ,有限容量といった動的価格決定にどのように伝播するかを検討する。 既知のエラー境界~$ε^0$は、システムが動作すべき場所を特定する:$O(\sqrt{T})$から$O(\log T)$へ、$ε^0 \lesssim T^{-1/4}$へ移行する。 偏りがあるが真の需要と相関する間違ったサロゲートモデルでは、直接価格を設定することはできないが、制御変数による1-ρ^2)$の学習分散を減少させる。 この2つのメカニズムは、予測が後悔の体制を決定すること、サロゲートがその内部の見積もりを締め付けることである。 すべてのアルゴリズムは、非退化仮定を必要とせずに、退化容量境界付近の価格を安定化する境界アトラクション機構に依存している。 実験では、相転移閾値、置換体からの分散低減、問題インスタンス間の堅牢性が確認された。

関連論文リスト

• The Anatomy and Boundary of Adaptation under Temporal Tabular Shift [14.709439807376505]
  診断解剖学的属性は、ストリーミングプロトコルの下で4つの繰り返しメカニズムに到達する。 第二に、$L2$プロジェクションウォールは凍結表現が表現できないものを定量化する。 8つの産業用ストリーム上のストリームレベルのプロキシは、条件付きで困難な状況に陥る。
  論文  参考訳（メタデータ） (2026-09-10T19:08:28Z)
• Joint Optimization of Human Headcount and Stochastic AI Resource Capacity [0.0]
  組織のリーダーシップは、人頭と生成AIトークンの能力に一定の予算を割らなければならない。 標準的な決定論的計画では、トークン消費の厳密な変動性と、AI生成出力を監査する認知的コストの両方を無視している。 個々のトークンのボラティリティの上昇は、ヘッダーを縮小しながら、一人当たりのトークンの強度を最適なものにすることを示す。
  論文  参考訳（メタデータ） (2026-08-01T22:34:02Z)
• CASP: Learning-Augmented Offline Approximation with Verifiable Certificates and Bounded-Loss PAC Guarantees [1.7545090618311434]
  マシンが学習した予測は、オフラインNPハード最適化を高速化するが、予測者にその問題を解決するために何をすべきかを尋ねる。 CASP (Certificate-Augmented Solution Pruning) は代わりに、どの部分の検索空間を無視するかを尋ね、サウンドタイム検証器がチェックした後のみ、各回答を受け入れる。 トレーニングされた予測器では、未検証プルーニングは配布シフト時の最適値の最大26%を失うが、検証された同じ予測のデプロイでは、何も失われることはない。
  論文  参考訳（メタデータ） (2026-07-16T04:02:15Z)
• Constrained Auto-Bidding via Generative Response Modeling [4.3095605379591255]
  自動入札システムは、予算制約やコスト・パー・アクセシションなどの比率目標の下で、長期的地平線上の広告主価値を最大化することを目的としている。 コントロールベースのペアリングは逸脱に反応するが、将来の状況は予測できない。一方、RLと生成法は、制約を報酬信号に折り畳み、違反を回避し、分散シフトの下で劣化させる。 単一入札乗算器の関数として,将来の交通量と地平線集約コスト/値曲線を共同で予測する履歴条件付きシーケンスモデルであるジェネレーティブ・レスポンス・モデル(GRM)を用いて,学習対象を行動から応答へシフトする。
  論文  参考訳（メタデータ） (2026-05-27T01:06:54Z)
• Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
  本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。 鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。 我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
  論文  参考訳（メタデータ） (2026-05-21T08:57:38Z)
• When to Trust Confidence Thresholding: Calibration Diagnostics for Pseudo-Labelled Regression [1.14219428942199]
  標準的なプラクティスは、信頼性カットオフで校正されたスコアをしきい値にし、ハードラベルを真実として扱うことである。 疑似ラベリングパイプラインのためのキャリブレーション対応診断装置を開発した。 我々は、下流回帰係数において信頼しきい値が誘導する減衰バイアスの閉形式式を導出する。
  論文  参考訳（メタデータ） (2026-05-12T21:49:11Z)
• Monitoring State Transitions in Markovian Systems with Sampling Cost [65.4151496405543]
  自然なアプローチは、予想される予測損失がクエリコスト以下で、クエリがなければいつ発生するかを予測する、欲張りのポリシーである。 最適(OPT)戦略は状態依存のしきい値ポリシである。 遷移確率が未知の場合、我々は、グレディポリシーの予測勾配降下(PSGD)に基づく学習変種を提案する。
  論文  参考訳（メタデータ） (2025-10-25T15:07:37Z)
• Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding [52.1068936424622]
  治療が介入によって設定された場合、対象変数$Y$に対して、予測因果効果$E[Y|do(X)]$を推定する問題を考える。 選択バイアスや欠点のない設定では、$E[Y|do(X)] = E[Y|X]$ となる。 選択バイアスとコンバウンディングの両方を組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-26T13:43:37Z)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)
• Truthfulness of Decision-Theoretic Calibration Measures [5.414308305392762]
  サブサンプリングステップキャリブレーションと呼ばれる新たなキャリブレーション尺度である$mathsfStepCEtextsfsub$を導入する。 特に、任意の積分布において、$mathsfStepCEtextsfsub$は$O(1)$ factorまで真であるのに対し、事前決定理論の校正策は$e-Omega(T)$-$Omega(sqrtT)$ truthfulness gapに苦しむ。
  論文  参考訳（メタデータ） (2025-03-04T08:20:10Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• A novel decision fusion approach for sale price prediction using Elastic Net and MOPSO [0.0]
  価格予測アルゴリズムは、市場動向、予測された需要、その他の特性に応じて、すべての製品またはサービスの価格を提案する。 価格予測における依存変数として、いくつかの独立変数および相関変数に影響される。 本研究では,価格予測において情報変数を選択するための新たな意思決定レベル融合手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T07:59:33Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Decision-Making under Miscalibration [14.762226638396209]
  MLベースの予測は、個人について連続的な決定を伝えるために使用される。 予想される$alpha$の誤校正を前提に、最悪の場合の後悔を最小限に抑えるしきい値である$j$を使うことを提案する。 予測校正誤差と最大校正誤差の両方を用いて誤校正が測定された場合、$j$の閉形式式を提供する。 実データに関する理論的知見を検証し,j$を用いた意思決定が臨床的有用性を改善する自然な事例があることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T10:44:11Z)

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。