論文の概要: Borrowing Strength Across Stores: Transfer Learning for Choice-Based Revenue Management
- arxiv url: http://arxiv.org/abs/2610.28708v1
- Date: Tue, 20 Oct 2026 16:08:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.106736
- Title: Borrowing Strength Across Stores: Transfer Learning for Choice-Based Revenue Management
- Title（参考訳）: 店舗全体での借入力:選択型収益管理のための転入学習
- Abstract要約: 大型小売店は、現地の顧客の好みに合わせて品揃えや価格決定を調整しなければならない。
したがって、局所的な見積もり(各店舗の需要モデルに単独で適合する)は信頼できない。
本稿では,店舗別需要予測と他の店舗から収集した情報を組み合わせた縮小推定器を提案する。
- 参考スコア（独自算出の注目度）: 3.8233569758620054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large retail chains must tailor assortment and pricing decisions to local customer preferences, yet even retailers with extensive sales records often have limited data for estimating demand at the store or local market level, particularly in product categories with short selling windows. Local estimation (fitting a demand model for each store on its own) can therefore be unreliable, while pooling data across stores improves estimation precision at the cost of ignoring local demand heterogeneity. We study how retailers can balance these competing effects through transfer learning under a multinomial logit (MNL) demand model. We propose a shrinkage estimator that combines store-specific demand estimates with information pooled from other stores. Unlike the linear or quadratic settings underlying much of the existing theoretical literature on information transfer in operations, the nonlinear MNL likelihood does not admit a straightforward bias-variance decomposition. By exploiting its self-concordant-like properties, we establish finite-sample performance guarantees that characterize when information transfer improves demand estimation and how the appropriate degree of shrinkage depends on local sample size, feature dimensionality, and cross-store heterogeneity. We further derive regret bounds for downstream assortment and pricing decisions. Numerical experiments demonstrate the operational benefits of shrinkage across different data environments. An empirical study using data from several hundred stores of a European apparel retailer shows that shrinkage improves out-of-sample product prioritization and revenue capture relative to both local estimation and full pooling. Our findings demonstrate how retailers can leverage information across their store networks to improve revenue management decisions while preserving local demand differences.
- Abstract（参考訳）: 大型小売店は、現地の顧客の好みに合わせて品揃えや価格の決定を調整しなければならないが、大規模な販売記録を持つ小売店でさえ、店や地域の市場レベルでの需要を推定するための限られたデータを持っていることが多い。
ローカルな推定(各店舗の需要モデルに単独で適合する)は信頼できないが、店舗間でデータをプールすることで、ローカルな需要の不均一性を無視するコストで推定精度が向上する。
小売業者は、MNL需要モデルの下で、トランスファーラーニングを通じて、これらの競合する効果のバランスをとることができるかを検討する。
本稿では,店舗別需要予測と他の店舗から収集した情報を組み合わせた縮小推定器を提案する。
操作中の情報伝達に関する既存の理論文献の根底にある線形あるいは二次的な設定とは異なり、非線形MNL確率は直接的なバイアス分散分解を含まない。
情報伝達が需要予測を改善した場合に特徴付ける有限サンプル性能保証と, 局所サンプルサイズ, 特徴量, クロスストアの不均一性にどの程度の収縮度が依存するかを確立する。
さらに、下流の品揃えと価格決定に対する後悔の限界を導き出します。
数値実験は、異なるデータ環境にまたがる収縮の運用上の利点を実証する。
ヨーロッパのアパレル小売店の数百店舗のデータを用いた実証研究によると、縮小は、地域推定とフルプールの両方に対して、アウト・オブ・サンプル製品の優先順位付けと収益獲得を改善する。
本研究は、小売業者が店舗ネットワーク全体の情報を活用して、地域需要の差を抑えながら、収益管理の意思決定を改善する方法を示すものである。
関連論文リスト
- Source-Aware Dynamic Pricing with Strategic Buyers [2.532553954909495]
戦略的買い手によるコンテキスト動的価格設定のためのソース認識フレームワークを導入する。
我々はソース・アウェア・ローカライズド・ローカライズド・サーベイとキャリブレーション・エクスプロイテーション・プライオリティ・ポリシーを開発した。
本研究は,戦略的買い手との動的価格設定に情報提供を組み込むための理論的,実践的な枠組みを初めて提供するものである。
論文 参考訳（メタデータ） (2026-10-15T18:10:14Z) - Capability Scaling-Down Laws for LLM Compression [57.14348517864116]
我々は, LLM圧縮のスケールダウン法則を, 刈り込み, 定量化, 蒸留にまたがって検討した。
我々のフレームワークは、数学、コード生成、質問応答における能力損失を測定する。
我々は単純な予測関係を構築し、その精度、測定効率、および未知の構成やモデル状態への一般化を評価する。
論文 参考訳（メタデータ） (2026-10-01T20:35:12Z) - Scaling Near-Optimal SFT-RL Annotation Budget Allocation from Small to Large LLMs [115.29900088092823]
教師付き微調整と強化学習の間に固定アノテーションの予算を分割する方法は、未解決の問題である。
ピーク性能の特定の許容範囲内でのアロケーションの集合である近最適領域を特徴付ける。
我々の結果は、タスク、モデルファミリー、および好みに基づくオフ・ポリティクスと報酬・スーパービジョン・オン・ポリティクスの2つの方法に一貫して当てはまる。
論文 参考訳（メタデータ） (2026-09-01T17:39:55Z) - Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。
対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
論文 参考訳（メタデータ） (2026-03-03T03:34:06Z) - Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting [0.0]
予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。
本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
論文 参考訳（メタデータ） (2025-06-06T10:08:17Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。
このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。
適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
論文 参考訳（メタデータ） (2024-03-21T14:48:37Z) - A Causal Perspective on Loan Pricing: Investigating the Impacts of
Selection Bias on Identifying Bid-Response Functions [1.0937531920233807]
我々は、因果推論の問題として価格を装い、選択バイアスの効果を理解するための一歩を踏み出した。
本研究では,ベルギーにおけるローンローン申請に関する半合成データセットにおいて,選択バイアスのレベルをシミュレートした。
我々は、因果機械学習による最先端の手法を実装し、価格データの選択バイアスを克服する能力を示す。
論文 参考訳（メタデータ） (2023-09-07T14:14:30Z) - Forecasting Workload in Cloud Computing: Towards Uncertainty-Aware
Predictions and Transfer Learning [1.5749416770494704]
予測の不確かさをモデル化することは、性能に肯定的な影響を及ぼすことを示す。
モデルが異なるドメイン間での伝達学習能力に有益かどうかを検討する。
論文 参考訳（メタデータ） (2023-02-24T14:51:30Z) - Short-term Load Forecasting with Distributed Long Short-Term Memory [10.99865735713831]
本稿では,コンセンサスアルゴリズムとLong Short-Term Memory(LSTM)に基づく,完全分散短期負荷予測フレームワークを提案する。
具体的には、完全に分散された学習フレームワークを分散トレーニングに利用し、秘密のプライバシを満たすためにコンセンサス技術を適用する。
ケーススタディでは,提案手法は精度に関する集中化手法と同等の性能を示した。
論文 参考訳（メタデータ） (2022-08-01T21:40:16Z)
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。