論文の概要: Strategic Buying Agents

• arxiv url: http://arxiv.org/abs/2607.04708v1
• Date: Mon, 06 Jul 2026 06:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.058622
• Title: Strategic Buying Agents
• Title（参考訳）: 戦略購入エージェント
• Abstract要約: Agentic AIは、オンラインショッピングを検索からデリゲートされた購入へとシフトしている。 本研究では,有限のショッピングウィンドウ内でいつ購入するかを判断しなければならない戦略的購入エージェントの設計について検討する。 我々はこの問題を定常、ベイジアン、ロバストという3つの情報体制で定式化する。
• 参考スコア（独自算出の注目度）: 5.678371127103685
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Agentic AI is shifting online shopping from search toward delegated purchasing, where autonomous buying agents monitor markets and decide when to buy on a consumer's behalf. We study the design of such strategic buying agents, which must decide when to purchase within a finite shopping window, translating price observations, the remaining time horizon, and beliefs about future price changes into a purchase policy. We formulate this problem across three information regimes: stationary, Bayesian, and robust, and treat the resulting optimal policies as a policy menu for implementation. In the stationary regime, price adjustments follow a Poisson arrival process with a known post-adjustment price distribution; the optimal policy is a dynamic purchase-threshold rule, with the threshold governed by an ordinary differential equation. In the Bayesian regime, the adjustment intensity is known, but the price-adjustment distribution is uncertain; the optimal rule remains threshold-based, now depending on posterior beliefs, and we bound the value of knowing the true distribution. In the robust regime, the agent has only price bounds and seeks worst-case protection; randomized threshold policies achieve optimal competitive-ratio and minimax-regret guarantees. We evaluate the proposed policies on Amazon price histories from Keepa (367 items, 48,933 timestamped observations) and examine their integration into language-model buying agents. The stationary and Bayesian policies perform competitively on mean normalized consumer surplus despite their stylized assumptions, while the robust policy performs best at the distribution's 10th percentile. Results suggest language models are better suited to selecting among regimes and calibration samples than to making buy-or-wait decisions directly.
• Abstract（参考訳）: エージェントAIは、オンラインショッピングを検索からデリゲートされた購入へとシフトし、自律的な購入エージェントが市場を監視し、消費者に代わっていつ購入するかを決定する。 本研究では,有限のショッピングウィンドウ内でいつ購入するか,価格観測の翻訳,残余の時間的地平線,将来の価格変動に関する信念を購入方針に含める戦略的購入エージェントの設計について検討する。 本稿では,定常,ベイジアン,ロバストという3つの情報体制にまたがってこの問題を定式化し,結果の最適方針を実装の方針メニューとして扱う。 定常状態においては、価格調整はポアソンの到着過程に追従し、調整後の価格分布が知られている;最適政策は動的購入閾値規則であり、しきい値は通常の微分方程式によって支配される。 ベイズ政権では、調整強度は知られているが、価格調整分布は不確実であり、最適規則は、現在、後続の信念に依存しているしきい値に基づいており、真の分布を知る価値は有界である。 堅牢な体制では、エージェントは価格制限のみを持ち、最悪の場合の保護を求め、ランダム化されたしきい値ポリシーは最適な競争比率と最小値の保証を達成する。 提案したAmazonの価格履歴に関するポリシー(367項目,48,933項目)を評価し,言語モデル購入エージェントへの統合について検討した。 定常的政策とベイズ的政策は、スタイル化された仮定にもかかわらず平均的な正規化された消費者余剰で競争的に実行し、ロバストな政策は流通の10番目のパーセンタイルで最高に機能する。 結果は、言語モデルは、購入または待機の判断を直接行うよりも、レギュラーとキャリブレーションサンプルの選択に適していることを示唆している。

関連論文リスト

• Risk-Controlled Post-Processing of Decision Policies [38.38357747696667]
  本稿では,リスク管理後処理について検討する。決定論的ベースラインポリシーが与えられた場合,ユーザ特定損失に対するリスク制約の対象となるベースラインとの合意を最大化する新たなポリシーを選択する。 最適政策にはしきい値構造があり、フォールバック政策への切り替えが条件違反リスクを大幅に減少させる状況以外はベースラインに従っていることを示す。 新型コロナウイルスの放射線画像診断タスク、LCMルーティング問題、および合成多クラス決定タスクの実験により、標的のポストプロセッシングは、スコアブラインドランダムミキシングよりもベースラインとのほぼ一致を維持しつつ、リスク予算を満たすか、ほぼ満たすことができることが示された。
  論文  参考訳（メタデータ） (2026-05-07T16:03:24Z)
• Deadline-Aware Online Scheduling for LLM Fine-Tuning with Spot Market Predictions [11.849924812127371]
  コスト効率のよいスケジューリングを可能にするための予測のパワーと、推定誤差に対する感度を示す。 本稿では,コミット型水平方向制御手法に基づくオンラインアロケーションアルゴリズムを提案する。 両アルゴリズムのパラメータを変動させて構築したプールから最良のポリシーを学習するオンラインポリシー選択アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-12-24T05:47:27Z)
• Best-Effort Policies for Robust Markov Decision Processes [69.60742680559788]
  我々は、ロバスト MDP (RMDPs) として知られる遷移確率の組によるマルコフ決定過程(MDPs)の共通一般化について研究する。 このような政策を最適な堅牢なベストプラクティス(ORBE)政策と呼ぶ。 我々はORBEポリシーが常に存在することを証明し、その構造を特徴付け、標準的なロバストな値反復よりも小さなオーバヘッドで計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-08-11T09:18:34Z)
• Learning Deterministic Policies with Policy Gradients in Constrained Markov Decision Processes [59.27926064817273]
  我々はC-PGと呼ばれる探索非依存のアルゴリズムを導入し,支配的仮定の下でのグローバルな最終点収束保証を享受する。 制約制御タスクにおいて,アクションベース(C-PGAE)とパラメータベース(C-PGPE)の両方を実証的に検証する。
  論文  参考訳（メタデータ） (2025-06-06T10:29:05Z)
• Offline Dynamic Inventory and Pricing Strategy: Addressing Censored and Dependent Demand [7.289672463326423]
  オフライン機能に基づく価格と在庫管理の問題について検討する。 私たちの目標は、オフラインデータセットを活用して、最適な価格と在庫管理ポリシを見積もることです。
  論文  参考訳（メタデータ） (2025-04-14T02:57:51Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Contextual Dynamic Pricing with Strategic Buyers [93.97401997137564]
  戦略的買い手によるコンテキスト動的価格問題について検討する。 売り手は買い手の真の特徴を観察せず、買い手の戦略行動に応じて操作された特徴を観察する。 本稿では,販売者の累積収益を最大化するために,購入者の戦略的行動をオンライン学習に取り入れた戦略的動的価格政策を提案する。
  論文  参考訳（メタデータ） (2023-07-08T23:06:42Z)
• Autoregressive Bandits [58.46584210388307]
  本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。 報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。 次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
  論文  参考訳（メタデータ） (2022-12-12T21:37:36Z)
• A Reinforcement Learning Approach to the Stochastic Cutting Stock Problem [0.0]
  本稿では,削減された無限水平決定プロセスとして,カットストック問題の定式化を提案する。 最適解は、各状態と決定を関連付け、期待される総コストを最小化するポリシーに対応する。
  論文  参考訳（メタデータ） (2021-09-20T14:47:54Z)
• Offline Policy Selection under Uncertainty [113.57441913299868]
  我々は、オフラインポリシーの選択を、一定の経験データセットを与えられた政策予測のセットよりも学習の選好とみなす。 政策価値に対する信念に対する完全な分布へのアクセスは、より幅広い下流評価指標の下でより柔軟な選択アルゴリズムを可能にする。 BayesDICEが任意の下流ポリシー選択メトリックに関してポリシーのランク付けにどのように使用されるかを示します。
  論文  参考訳（メタデータ） (2020-12-12T23:09:21Z)

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。