論文の概要: Honesty is the Best Policy ... or is it? Demand Management for Probabilistic Service Options

• arxiv url: http://arxiv.org/abs/2610.21351v1
• Date: Thu, 15 Oct 2026 06:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.222782
• Title: Honesty is the Best Policy ... or is it? Demand Management for Probabilistic Service Options
• Title（参考訳）: 正直は最良の政策か...それともそれか?確率的サービスオプションの需要管理
• Abstract要約: 多くのサービス設定において、根底にある真偽の確率は、プロバイダによって制御される静的な製品属性ではなく、システム状態に依存する。 結果の問題を逐次決定プロセスとしてモデル化し、真理確率を定義し、歪みを制限する透明性制約を導入する。 当社のフレームワークは,予約時の確率情報を動的に開示する利点を評価できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To enable well-informed customer choices and redistribute demand across service options, providers can display probabilities regarding predicted service levels at the time of booking, effectively offering probabilistic service options. In many service settings, the underlying truthful probabilities endogenously depend on the system state, rather than being static product attributes controlled by the provider. While customers rely on this information when making decisions, they cannot readily verify its accuracy. Consequently, providers may be tempted to manipulate the displayed probabilities to guide customers' choices in their favor, creating a novel lever for demand management. In this work, we model the resulting problem as a sequential decision process, define truthful probabilities recursively, and introduce transparency constraints that limit their distortion. Because the exact computation of truthful probabilities is intractable for realistic settings, we develop an adapted reinforcement learning algorithm to approximate them. Furthermore, we propose a sampling-based mixed-integer program to optimize the information communicated by the provider in each state. Our framework enables providers to gauge the benefits of dynamically disclosing probabilistic information at the time of booking and sheds light on incentives for manipulation. Our computational study is motivated by out-of-home delivery, i.e., the delivery to parcel lockers or shops, and reveals a trade-off between individual-level transparency and aggregate customer utilities.
• Abstract（参考訳）: サービスオプションにまたがる顧客選択と需要の再分配を可能にするため、予約時に予測されたサービスレベルに関する確率を表示し、効果的に確率的なサービスオプションを提供する。 多くのサービス設定において、根底にある真理確率は、プロバイダによって制御される静的な製品属性ではなく、システム状態に依存します。 顧客は意思決定時にこの情報に頼るが、その正確さを容易に検証することはできない。 その結果、提供者は、表示された確率を操作して顧客の選択を好意的に導き、需要管理のための新しいレバーを作成することができる。 本研究では、結果の問題を逐次決定プロセスとしてモデル化し、真理確率を再帰的に定義し、歪みを制限する透明性制約を導入する。 真理確率の正確な計算は現実的な設定では難解であるため、それらを近似するために適応された強化学習アルゴリズムを開発する。 さらに,各状態におけるプロバイダが通信する情報を最適化するサンプリングベース混合整数プログラムを提案する。 当社のフレームワークは,予約時に確率的情報を動的に開示し,操作のインセンティブに光を当てることのメリットを評価する。 我々の計算研究は、自宅外の配送、すなわちパーセルロッカーや店舗への配送によって動機付けられ、個々のレベルの透明性と顧客ユーティリティの集合とのトレードオフを明らかにします。

関連論文リスト

• Diverse and Plausible Algorithmic Recourse via Tractable Recourse Distributions [0.8538830579425144]
  リコースシステムは、1つではなく複数の現実的な代替手段を提供するべきである。 本稿では,ある実例に対して実現可能な代替案の空間を表す確率的フレームワークであるTractable Recourse Distributionsを提案する。 標準的なアルゴリズムリコースベンチマークデータセットの実験では、提案したフレームワークが多様性、妥当性、実現可能性を同時に達成できることが示されている。
  論文  参考訳（メタデータ） (2026-08-05T10:40:53Z)
• FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
  我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。 重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。 本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
  論文  参考訳（メタデータ） (2026-05-11T07:04:51Z)
• Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
  大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。 本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
  論文  参考訳（メタデータ） (2025-12-23T03:10:09Z)
• Uncovering Utility Functions from Observed Outcomes [0.0]
  本稿では,消費者の嗜好や実用性を決定する新しいアルゴリズムを提案する。 PEARLは、観測された消費者選択データを最も合理化するユーティリティ関数の表現を発見できる唯一のアルゴリズムである。 その結果、PEARLはノイズのない合成データとノイズの多い合成データの両方でベンチマークを上回ります。
  論文  参考訳（メタデータ） (2025-03-17T17:56:59Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks [0.5524804393257919]
  本稿では,ユーザのバイアスを検知し,バイアスプロファイルに基づいてクライアントを戦略的に選択するBias-Aware Client Selection Algorithm (BACSA)を提案する。 BACSAは、Quality of Service(QoS)、プライバシ、セキュリティが最重要である、機密性の高い医療アプリケーションに適している。
  論文  参考訳（メタデータ） (2024-11-01T21:34:43Z)
• Feature Responsiveness Scores: Model-Agnostic Explanations for Recourse [7.730963708373791]
  消費者保護規則では、企業は意思決定対象に予測を説明する必要がある。 これらのプラクティスが、改善に繋がらない機能を強調して、消費者を弱める方法を示します。 応答性スコアに基づいて特徴を強調することにより,これらの課題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-10-29T23:37:49Z)
• Customer Churn Prediction Model using Explainable Machine Learning [0.0]
  この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。 各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。 モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T04:45:57Z)
• Byzantine-Robust Online and Offline Distributed Reinforcement Learning [60.970950468309056]
  本稿では,複数のエージェントが環境を探索し,その経験を中央サーバを通じて伝達する分散強化学習環境について考察する。 エージェントの$alpha$-fractionは敵対的であり、任意の偽情報を報告することができる。 我々は、これらの対立エージェントの存在下で、マルコフ決定プロセスの根底にある準最適政策を特定することを模索する。
  論文  参考訳（メタデータ） (2022-06-01T00:44:53Z)
• Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
  我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。 モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。 この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
  論文  参考訳（メタデータ） (2020-11-15T17:26:14Z)

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。