論文の概要: Learning Choice Model Trees for Feature-Based Multi-Product Pricing: Exact Optimization and Field Evidence

• arxiv url: http://arxiv.org/abs/2609.16952v1
• Date: Tue, 15 Sep 2026 10:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.459042
• Title: Learning Choice Model Trees for Feature-Based Multi-Product Pricing: Exact Optimization and Field Evidence
• Title（参考訳）: 特徴量に基づく多製品価格設定のための選択モデルツリーの学習:厳密な最適化とフィールドエビデンス
• Abstract要約: 多相ロジット葉を用いた最適選択モデル木(OCMT-MNL)を開発した。 合成実験では、正確な葉のフィットを99.98%減らし、葉の評価を86.13%減らした。 OCMT-MNLは定額料金よりも統計的に11.3%値上がりしている。
• 参考スコア（独自算出の注目度）: 11.93511657064606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature-based multi-product pricing uses customer characteristics to identify demand heterogeneity and tailor prices across products. Choice model trees segment customers through interpretable feature rules and fit a demand model within each leaf. Existing methods typically construct these trees greedily, selecting one myopic split at a time. We develop optimal choice model trees with multinomial logit leaves (OCMT-MNL), jointly optimizing the tree and leaf models within a prescribed depth. Our exact dynamic program derives closed-form Fenchel lower bounds during constrained Newton iterations and propagates them across nested and disjoint customer subsets, avoiding new fits and resuming unfinished fits without repeating completed work. In synthetic experiments, it reduces exact leaf fits by 99.98% and leaf evaluations by 86.13%, achieving up to 7.15-fold speedups over unpruned dynamic programming. One-dimensional lookup tables translate offline estimation into real-time pricing, with a revenue-loss bound quadratic in grid spacing under the fitted model. Compared with greedy trees, OCMT-MNL achieves lower revenue loss with fewer leaves on synthetic data and better predictive fit on real data. In a 23-week randomized experiment on ancillary seat pricing across 48 airline markets and 190,220 passengers, OCMT-MNL increases seat revenue per passenger by a statistically significant 11.3% over static pricing.
• Abstract（参考訳）: 機能ベースのマルチプロダクト価格設定は、需要の不均一性と製品間の調整価格を特定するために、顧客特性を使用する。 選択モデルツリーは、解釈可能な機能ルールを通じて顧客をセグメンテーションし、各リーフに需要モデルを適用する。 現存する方法は通常、これらの木を優雅に構築し、一度に1つのミオピックスプリットを選択する。 最適選択モデル木(OCMT-MNL)を開発し,木と葉のモデルを所定の深さで共同最適化する。 厳密な動的プログラムは、制約されたニュートンイテレーションの間、閉じた形式のフェンシェルの下限を導き、それらをネストした顧客サブセットに分散させ、新しいフィットを回避し、完了した作業を繰り返すことなく未完成のフィットを再開します。 合成実験では、正確な葉のフィットを99.98%減らし、葉の評価を86.13%減らし、7.15倍のスピードアップを達成する。 1次元のルックアップテーブルは、オフライン推定をリアルタイムな価格に変換する。 OCMT-MNLは, 雑木に比べて, 合成データの葉が少なく, 実データへの適合性も良好である。 航空48の市場と190,220人の乗客を対象とした23週間の無作為な座席価格実験において、OCMT-MNLは静的価格よりも統計的に11.3%、旅客一人当たりの座席収入を増加させた。

関連論文リスト

• Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization [54.749573452394664]
  定式化自体が単純である場合でも、インスタンスデータが大きくなるにつれて精度が低下する。 我々は, 数値データを構造化ファイルに外部化する単純な推論時アプローチであるBINDを用いて, モデルがプロンプトプロンプトからではなく, データをバインドする。 我々は,モデルのみをバインディングのみに微調整することで仮説を検証し,3つの構造的に異なる最適化カテゴリにおいて,エンドツーエンドのSFTおよびRLよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-20T21:25:41Z)
• Poisson-MNL Bandit: Nearly Optimal Dynamic Joint Assortment and Pricing with Decision-Dependent Customer Arrivals [2.023747761104056]
  本研究では,販売者が定期会計/運用の間隔で意思決定を更新する動的ジョイント・アソシエーションと価格について検討する。 多くの設定では、品揃えと価格は、到着した顧客が何を買うかだけでなく、その期間内に何人の顧客が到着するかにも影響を及ぼす。 本稿では、文脈的MNL選択モデルと、提示された品目と価格に依存するポアソン到着モデルとを結合するポアソン-MNLモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-18T22:30:49Z)
• TreeGrad-Ranker: Feature Ranking via $O(L)$-Time Gradients for Decision Trees [73.0940890296463]
  確率値は、決定木の局所的な予測値を説明する特徴のランク付けに使用される。 TreeGradは、共同目的の多重線型拡張の勾配を$O(L)$時間で計算する。 TreeGrad-Rankerは、機能ランキングを生成するために共同目標を最適化しながら、勾配を集約する。 TreeGrad-Shapは、積分パラメータを持つベータシェープ値を計算するための数値的に安定なアルゴリズムである。
  論文  参考訳（メタデータ） (2026-02-12T06:17:12Z)
• HuggingR$^{4}$: A Progressive Reasoning Framework for Discovering Optimal Model Companions [50.61510609116118]
  HuggingR$4$は、Reasoning、Retrieval、Refinement、Reflectionを組み合わせて効率的にモデルを選択する新しいフレームワークである。 作業性率は92.03%、理性率は82.46%に達し、それぞれ26.51%、33.25%を超える。
  論文  参考訳（メタデータ） (2025-11-24T03:13:45Z)
• Zeroth-Order Adaptive Neuron Alignment Based Pruning without Re-Training [7.972074133591484]
  我々は, LLMの任意のプルーニングアルゴリズム上で使用可能な, エフェストアップアルゴリズムである textbfNeuroAl を提案する。 我々の手法は、パフォーマンス・ランタイムトレードオフの観点から最新の最先端手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-11-11T15:30:16Z)
• Adaptive Split Balancing for Optimal Random Forest [8.916614661563893]
  そこで本研究では,新しい適応型分割バランス法を用いて木を構築するランダムフォレストアルゴリズムを提案する。 本手法は,データから木構造を適応的に学習しながら,シンプルでスムーズなシナリオで最適性を実現する。
  論文  参考訳（メタデータ） (2024-02-17T09:10:40Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)
• MatFormer: Nested Transformer for Elastic Inference [91.45687988953435]
  MatFormerは、多様なデプロイメント制約にまたがる弾性推論を提供するように設計された、新しいTransformerアーキテクチャである。 MatFormerは、標準的なTransformerモデルにネストフィードフォワードネットワーク(FFN)ブロック構造を組み込むことで、これを実現している。 8億5000万デコーダのみのMatFormer言語モデル(MatLM)により,5億2200万から8億5千万のパラメータにまたがる複数の小さなモデルを抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-11T17:57:14Z)
• Sorted LLaMA: Unlocking the Potential of Intermediate Layers of Large Language Models for Dynamic Inference [32.62084449979531]
  SortedNet を Sorted Fine-Tuning (SoFT) に置き換えることで生成 NLP タスクに拡張する。 我々のアプローチはモデル効率を向上し、推論中に様々なシナリオに対する複数のモデルの必要性を排除します。 以上の結果から,SFT+ICT(Early-Exit)と標準ファインチューニング(SFT+ICT)と比較して,サブモデルの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-16T11:58:34Z)
• Scalable Optimal Multiway-Split Decision Trees with Constraints [3.092691764363848]
  決定変数の個数が$N$とは独立な経路に基づく新しいMIP定式化を提案する。 本フレームワークは, 規則が短いため, 通常の二分木よりも解釈しやすいマルチウェイスプリットツリーを生成する。 我々は,最大1,008,372個のサンプルを含むデータセットについて,既存のMIPベースの決定木モデルでは数千点を超えるデータに対してうまくスケールしないことを示す。
  論文  参考訳（メタデータ） (2023-02-14T03:48:48Z)
• Fast Linear Model Trees by PILOT [0.0]
  線形モデル木は、葉ノードに線形モデルを含む回帰木である。 線形モデル木を適合させる既存の方法の多くは時間を要するため、大規模なデータセットには拡張性がない。 本稿では,線形モデル木を高速,正規化,安定,解釈可能な新しいアルゴリズムであるPILOTを紹介する。
  論文  参考訳（メタデータ） (2023-02-08T08:11:10Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)

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。