論文の概要: Circumventing the Computational Hardness of Computational Arbitrage

• arxiv url: http://arxiv.org/abs/2610.40831v1
• Date: Thu, 29 Oct 2026 18:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.466815
• Title: Circumventing the Computational Hardness of Computational Arbitrage
• Title（参考訳）: 計算的アービタージュの計算的硬さの概略
• Abstract要約: 計算仲裁は 消費者と提供者に 経済的価値を提供する 計算仲裁を割当問題として定式化し、一般にNPハードであることを証明する。 最適割り当ては自然減退条件下で効率的に計算できることを示す。
• 参考スコア（独自算出の注目度）: 30.728866208856644
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI model marketplaces host providers with heterogeneous costs and capabilities. These differences create an opportunity for computational arbitrage (Olmedo et al., 2026), in which an intermediary purchases inference from a portfolio of models and resells it to users at a profit. Beyond creating profit opportunities for the arbitrageur, computational arbitrage offers financial value to both consumers and providers and could therefore significantly influence AI model markets. While prior work empirically demonstrates the feasibility of computational arbitrage for small model pools, scaling it to large marketplaces requires arbitrage strategies that are both computationally tractable and inexpensive to identify and deploy. In this work, we formalize computational arbitrage as an allocation problem and prove that it is generally NP-hard. However, we show that the optimal allocation can be computed efficiently under a natural diminishing-returns condition on how model performance scales with inference spending. We further develop a sample-efficient method for estimating model performance from limited data, reducing the upfront cost of identifying arbitrage strategies. Our analysis also yields several economic insights: at the optimum, every funded model delivers the same marginal utility per dollar; arbitrage directs revenue away from providers offering little utility relative to their prices; and it rewards complementary specialization.
• Abstract（参考訳）: AIモデルマーケットプレースは、異質なコストと能力を持つプロバイダをホストする。 これらの違いは計算仲裁(Olmedo et al , 2026)の機会を生み出し、仲介者がモデルのポートフォリオから推論を購入し、それを利益でユーザに再販売する。 仲裁の利益機会を創出するだけでなく、計算仲裁は消費者とプロバイダーの両方に経済的価値を提供し、それによってAIモデル市場に大きな影響を及ぼす可能性がある。 先行研究は、小さなモデルプールに対する計算的仲裁の実現性を実証的に実証する一方で、大規模市場へのスケーリングには、計算的に計算可能で、特定および展開に安価な戦略が必要である。 本研究では,計算仲裁を割当問題として定式化し,一般にNPハードであることを証明する。 しかし,提案手法では,モデル性能のスケールと推定時間との比例関係から,最適割当を自然減算条件下で効率的に計算できることが示唆された。 さらに、限られたデータからモデル性能を推定するサンプル効率の手法を開発し、仲裁戦略を特定するための事前コストを削減する。 最適では、資金提供されたすべてのモデルが1ドル当たり同じ限界効用を供給し、仲裁は、価格に対してほとんど効用を提供しないプロバイダから収益を誘導し、補完的な特殊化に報いる。

関連論文リスト

• Can Reinforcement Learning Efficiently Discover Price Manipulation? [0.254890465057467]
  非直線的恒久的な影響と線形的一時的な影響を伴うアルムグレン・クリスフレームワークに従って価格が上昇する単一資産市場を考える。 まず、離散時間における価格操作戦略の確立と、逐次最小二乗二次計画法(Sequential Least Squares Quadratic Programming)を用いた最適なベンチマーク戦略の算出を行う。 次に、シミュレーションされた実行データから影響パラメータを推定するモデルベースプロシージャと、同じ量のデータに基づいて直接訓練されたDeep Deterministic Policy Gradientに基づくRLアプローチの2つの有限サンプル学習手法を比較した。
  論文  参考訳（メタデータ） (2026-07-07T10:29:20Z)
• RouteLMT: Learned Sample Routing for Hybrid LLM Translation Deployment [57.588738943463646]
  大規模言語モデル(LLM)は機械翻訳(MT)において顕著な性能を発揮した 大規模に展開するのは 違法に高価です モデル内ルータである textbfRouteLMT を提案する。
  論文  参考訳（メタデータ） (2026-04-24T13:02:45Z)
• Computational Arbitrage in AI Model Markets [73.20636221068352]
  仲裁員は、市場を弱めるために、提供者間で推論予算を効率的に割り当てる。 単純な仲裁戦略が最大40%の純利益率を生み出すことを示す。 我々の結果は、仲裁は、モデル開発、蒸留、デプロイメントに影響を及ぼすAIモデル市場において、強力な力となり得ることを示唆している。
  論文  参考訳（メタデータ） (2026-03-23T18:00:14Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Paid with Models: Optimal Contract Design for Collaborative Machine Learning [33.08216776439051]
  コラボレーション機械学習(CML)は、参加者間のコスト共有を可能にすることによって、高度なテクノロジを民主化するための有望なパラダイムを提供する。 契約理論は、参加者が貢献に基づいて様々な精度のモデルに報酬を与えることで、実行可能な解決策を示す。 報酬とは違い、報酬としてモデルを使用することは、特に報酬の性質のために、ユニークな課題をもたらす。
  論文  参考訳（メタデータ） (2024-12-15T08:55:16Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Energy Storage Price Arbitrage via Opportunity Value Function Prediction [1.8638865257327275]
  本稿では,教師付き学習と動的プログラミングを組み合わせた新しいエネルギー貯蔵価格仲裁アルゴリズムを提案する。 価格データと動的プログラミングアルゴリズムを用いて,歴史的最適機会値関数を生成する。 本手法は, ニューヨーク州のエネルギー貯蔵モデルと価格データを用いたケーススタディにおいて, 完全予測に比べて65%から90%の利益を達成している。
  論文  参考訳（メタデータ） (2022-11-14T23:31:11Z)
• Predicting Status of Pre and Post M&A Deals Using Machine Learning and Deep Learning Techniques [0.0]
  リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。 事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。 本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-08-05T21:26:45Z)

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。