論文の概要: Learnable Randomization as Commitment Against Adaptive Optimizers

• arxiv url: http://arxiv.org/abs/2609.32772v1
• Date: Sat, 26 Sep 2026 16:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:29:03.615312
• Title: Learnable Randomization as Commitment Against Adaptive Optimizers
• Title（参考訳）: アダプティブ・オプティマイザに対するコミットメントとしての学習可能なランダム化
• Abstract要約: 予測不能な準最適政策 (UNOP) について検討し, 個別に合理的な近縁行動に一様に混合する。 1つのベストアクションを再生すると、そのカットオフが発行される。
• 参考スコア（独自算出の注目度）: 9.903921730237963
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A pricing page can walk the posted price up to the last amount a buyer still accepts, a recommender can hold back a better item for a barely acceptable promoted one, and a classifier can shift its boundary once applicants change their features. The system predicts the response and then picks the menu that serves its own objective, so the surplus above the user's cutoff is taken. Playing the single best action publishes that cutoff, while noise on actions the user would never take throws away payoff and teaches the platform that a worse menu is still acceptable. We study unpredictable near-optimal policies (UNOP), which mix uniformly on near-best actions that remain individually rational. The mixture is a commitment about the response. On a finite price grid, when the best sure-demand price strictly out-earns the randomized band, a seller who already knows the curve posts below the band, and the purchase that occurs is deterministic. Knowing that curve is not the same as predicting the next draw. The mixture can be learned and the optimizer can match its best response, while the user's payoff stays higher because the mixture changes which action is targeted. In pricing and in policy-aware recommendation this leaves more surplus than greedy play when the platform optimizes against the curve and more than one action is acceptable. The gain goes away under quality ranking, a singleton near-optimal set, a wrong utility estimate, or a short-horizon explorer. That is also where mixing should be turned off if the other side is trying to cooperate.
• Abstract（参考訳）: 価格ページは、購入者がまだ受け入れている最後の金額まで価格を下げることができ、レコメンデータは、ほとんど受け入れられないプロモーションアイテムに対して、より良いアイテムを保留することができ、また、申請者が機能を変更すると、その境界を変更できる。 システムは応答を予測し、独自の目的を果たすメニューを選択するので、ユーザのカットオフを超える余剰を取られる。 1つの最良のアクションを再生すると、そのカットオフが発行されるが、ユーザのアクションに対するノイズは決して報奨金を払い、悪いメニューが今でも受け入れられていることをプラットフォームに教える。 予測不能な準最適政策 (UNOP) について検討し, 個別に合理的な近縁行動に一様に混合する。 混合は反応に対するコミットメントである。 有限価格グリッドでは、最も確実な価格がランダム化されたバンドを厳密に上回っているとき、既にバンドの下のカーブポストを知っている売り手は決定論的である。 その曲線を知ることは、次の引き数を予測することとは同じではない。 ミックスは学習可能で、オプティマイザはその最高のレスポンスにマッチするが、ユーザのペイオフは、そのミックスがターゲットとするアクションを変更するため、高く保たれる。 価格設定やポリシー対応のレコメンデーションでは、プラットフォームがカーブに対して最適化され、複数のアクションが許容されるときに、欲張りの遊びよりも余剰が残される。 この収益は、品質ランキング、シングルトンに近い最適セット、間違ったユーティリティ見積、あるいは短地探検家の下で失われる。 また、相手が協力しようとする場合には、ミキシングをオフにする必要があります。

関連論文リスト

• When Offline Evaluation Misleads: A Diagnostic Protocol for Reward and Policy Selection in Delayed-Feedback Contextual Bandits [11.731565558821835]
  CMABによるマーケティングメッセージのパーソナライズ(パーソナライズ)は、実際のビジネス価値を駆動する。 しかし、最終的に重要な目的は数週間後、オンライン学習を駆動するには遅すぎる。 我々は2つの軸に報酬と政治の候補をスクリーニングする順序付き診断プロトコルを提供する。
  論文  参考訳（メタデータ） (2026-08-12T01:53:21Z)
• MTRec: Learning to Align with User Preferences via Mental Reward Models [60.321038000806176]
  我々は、実際のユーザの好みに合わせてデザインされたシーケンシャルなレコメンデーションフレームワークであるMTRecを提案する。 ユーザの満足度を定量化するためのメンタル報酬モデルを導入し,それを学習するための分散逆強化学習手法を提案する。 実験により、MTRecは様々なレコメンデーションモデルに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-09-26T18:10:48Z)
• Dynamic Pricing and Learning with Long-term Reference Effects [16.07344044662994]
  本研究では,販売者が提示した過去の価格の基準価格が平均値となる,シンプルで斬新な参照価格メカニズムについて検討する。 このメカニズムの下では,モデルパラメータに関係なく,マークダウンポリシがほぼ最適であることを示す。 次に、需要モデルパラメータが不明な、より困難な動的価格と学習の問題について検討する。
  論文  参考訳（メタデータ） (2024-02-19T21:36:54Z)
• Probe: Learning Users' Personalized Projection Bias in Intertemporal Choices [5.874142059884521]
  本研究では、投射バイアスと基準点効果の2つのよく観察されるバイアスに焦点を当てる。 これらのバイアスに対処するために, Probe と呼ばれる新しいバイアス埋め込み選好モデルを提案する。 Probeには、ユーザの予測バイアスをキャプチャする重み関数と、参照ポイント効果を考慮に入れた値関数が組み込まれている。
  論文  参考訳（メタデータ） (2023-03-09T12:13:46Z)
• 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、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
  論文  参考訳（メタデータ） (2022-12-12T21:37:36Z)
• Diversified Recommendations for Agents with Adaptive Preferences [9.578114969867258]
  エージェントが選択するコンテンツのメニューを推薦するプラットフォームを訪れる場合、アイテムの選択は特定の好みだけでなく、プラットフォームとの事前の関わりにも依存する。 RecommenderはAgensに$k$アイテムのメニューを提示し、未知の好みモデルに従ってメニュー内の1つのアイテムを選択する。 その後、レコメンダーはエージェントの選択したアイテムを観察し、アイテムの報酬の盗聴フィードバックを受け取る。 選択したアイテムからの報酬の最適化に加えて、リコメンダーは選択したアイテムの合計分布が十分に高いエントロピーを持つことを保証する必要がある。
  論文  参考訳（メタデータ） (2022-09-20T16:12:22Z)
• Modeling Attrition in Recommender Systems with Departing Bandits [84.85560764274399]
  政策に依存した地平線を捉えた新しいマルチアームバンディット構成を提案する。 まず、全てのユーザが同じタイプを共有しているケースに対処し、最近の UCB ベースのアルゴリズムが最適であることを実証する。 次に、ユーザが2つのタイプに分けられる、より困難なケースを前進させます。
  論文  参考訳（メタデータ） (2022-03-25T02:30:54Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。