論文の概要: Nonparametric Contextual Pricing and Inventory Learning under Censored Demand
- arxiv url: http://arxiv.org/abs/2608.30944v1
- Date: Mon, 31 Aug 2026 15:15:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.465429
- Title: Nonparametric Contextual Pricing and Inventory Learning under Censored Demand
- Title（参考訳）: 補償需要下における非パラメトリック・コンテクスト価格とインベントリ学習
- Abstract要約: オンライン小売では、商品が売り切れたとき、小売店はしばしば販売される商品のみを見る。
我々は、各ラウンドで販売者が市場状況を観察し、前ラウンドの検閲された販売データに基づいて価格決定と在庫決定を行うオンライン販売問題を研究する。
本稿では,各不完全な販売記録を在庫および価格決定の信頼性の高いガイドとする平均キャリブレーション・カーネル UCB (MCK-UCB) アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 5.6700444577605085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In online retailing, when a product sells out, a retailer often sees only the units sold, not how many customers would have bought it had inventory been available. However, the inventory level determines how much demand is revealed, and this information can influence subsequent decisions and future profits. We study an online selling problem in which, in each round, the seller observes a market context and then makes pricing and stocking decisions based on censored sales data from previous rounds. The challenge is to learn a context-dependent pricing and stocking policy without assuming a particular formula for demand or observing realized profit. To overcome this difficulty, we propose a Mean-Calibrated Kernel UCB (MCK-UCB) algorithm that turns each incomplete sales record into a reliable guide for both inventory and price decisions, using data from past rounds with similar market conditions. This design allows us to learn while serving customers, without a separate exploration phase or the need to recover all demand hidden by stockouts. We prove the minimax optimality of the proposed algorithm, with strictly faster rates when expected profit varies more smoothly with price. Comprehensive numerical experiments have been conducted to confirm the effectiveness of the proposed algorithm.
- Abstract（参考訳）: オンライン小売では、商品が売り切れたとき、小売店はしばしば販売される商品のみを見る。
しかし、在庫レベルは、どれだけの需要が明らかにされるかを決定し、この情報はその後の決定と将来の利益に影響を与える可能性がある。
我々は、各ラウンドで販売者が市場状況を観察し、前ラウンドの検閲された販売データに基づいて価格決定と在庫決定を行うオンライン販売問題を研究する。
課題は、需要の特定の公式を仮定したり、実現した利益を観察することなく、コンテキスト依存の価格と在庫政策を学習することである。
この難しさを克服するため,同種の市場条件を持つ過去のラウンドのデータを用いて,各不完全な販売記録を在庫および価格決定の信頼性の高いガイドとする平均キャリブレーション・カーネル UCB (MCK-UCB) アルゴリズムを提案する。
この設計により、別の調査フェーズや、ストックアウトによって隠されたすべての需要を回復する必要なしに、顧客にサービスを提供しながら学習することが可能になります。
提案アルゴリズムの最小最適性は,期待される利益が価格とともによりスムーズに変化する場合に,厳密な速度で証明する。
提案アルゴリズムの有効性を確認するための総合的な数値実験が実施されている。
関連論文リスト
- Learning to Price and Stock Under Contextual and Censored Demand [5.326846590465264]
本稿では,要求を未知の係数を持つ基底関数の線形結合としてモデル化する枠組みを提案する。
本稿では,コンケーブ収益条件下での残差$mathcalO(KsqrtTlog T)$と,一般の場合$mathcalO(K2/3T2/3(log T)1/2)$を実現するための効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-09-05T13:21:46Z) - Online Market Making and the Value of Observing the Order Book [44.5487486690729]
本研究では,学習者が連続して入札を行い,単一資産の価格を求めるオンライン市場形成問題について検討する。
リアルリミットオーダーブックにインスパイアされたアクション依存フィードバックモデルを導入する。
この追加情報が、問題の学習可能性に根本的に変化することを示します。
論文 参考訳（メタデータ） (2026-05-19T09:26:01Z) - On the Learning Curves of Revenue Maximization [62.087200798198786]
学習曲線は、トレーニングサンプル数の関数として、固定された基礎分布に対するアルゴリズムの誤差の減衰をプロットする。
収益を最大化する学習アルゴリズムに関する先行研究は、学習理論におけるPAC学習フレームワークと並行して、分散のない視点を採用する。
ベイズ一貫性アルゴリズムが存在し、任意の評価分布に対して学習曲線が0に収束することを示す。
論文 参考訳（メタデータ） (2026-04-29T17:38:25Z) - What is the Value of Censored Data? An Exact Analysis for the Data-driven Newsvendor [1.5469452301122175]
在庫レベルで需要が検閲され、販売のみが観察される状況について検討する。
以上の結果から、この需要データに基づく政策は、売上データが蓄積されるにつれてパフォーマンスを損なう可能性が示唆された。
論文 参考訳（メタデータ） (2026-02-18T20:13:02Z) - Bayesian Optimization for Dynamic Pricing and Learning [0.306238659426286]
ダイナミックな価格設定は、市場の需要に応じて企業の収益を最大化するために製品の販売価格を調整するプラクティスである。
従来の手法では需要関数の特定のパラメトリック形式を前提としており、強化学習(RL)を用いて最適に近い価格戦略を特定できる。
本稿では,制約付きモデリング仮定を避けるために,動的価格に対する非パラメトリックなアプローチを提案する。
論文 参考訳（メタデータ） (2025-10-14T12:28:06Z) - 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) - Dynamic Pricing with Adversarially-Censored Demands [25.566323930646178]
我々は,各時点における潜在需要が$t=1,2,ldots,T$であり,価格に依存するオンライン動的価格問題について検討する。
一度に$t$が課せられ、在庫水準を超えた場合の潜在的な需要を検閲する。
本アルゴリズムは,逆在庫級数であっても,$tildeO(sqrtT)$Optimative regretを達成できることを示す。
論文 参考訳（メタデータ） (2025-02-10T05:37:39Z) - An Instrumental Value for Data Production and its Application to Data Pricing [107.98697414652479]
本稿では,データ生成プロセスのインストゥルメンタルな価値を捉えるためのアプローチを開発する。
情報経済学における情報設計と信号の古典的概念とどのように結びつくかを示す。
論文 参考訳（メタデータ） (2024-12-24T03:53:57Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Online Learning for Equilibrium Pricing in Markets under Incomplete Information [8.145115843220308]
不完全な情報設定において、均衡価格をT$の地平線上で学習する問題を考察する。
我々は、顧客需要が一定であれば$O(1)$、需要が時間とともに変化する場合は$O(sqrtT)$の後悔を同時に達成するアルゴリズムを開発する。
論文 参考訳（メタデータ） (2023-03-21T00:53:37Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - Greedy Algorithm almost Dominates in Smoothed Contextual Bandits [100.09904315064372]
オンライン学習アルゴリズムは探索と搾取のバランスをとる必要がある。
欲求的アプローチは、他のアルゴリズムのベイズ的後悔率とほぼ一致していることを示す。
論文 参考訳（メタデータ） (2020-05-19T18:11:40Z)
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。