論文の概要: Learning to bid and bundle: a posterior-sampling agent for online retail

• arxiv url: http://arxiv.org/abs/2611.00165v1
• Date: Fri, 30 Oct 2026 11:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-14 02:58:01.43734
• Title: Learning to bid and bundle: a posterior-sampling agent for online retail
• Title（参考訳）: オンライン小売業における後部サンプリングエージェントの入札とバンドルの学習
• Abstract要約: オンライン花屋のシミュレーションでは、市場で平均された後悔は最低だ。 ポイント推定で行動するプランナーは入札を止めることができ、入札が支払うことを決して学ばない。 ディスカウントが直近の水準に戻るのを待っている顧客は、負けた販売のように見える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An online retailer launching a perishable product bids for sponsored-search clicks, discounts a bundle with an always-stocked staple and displays its remaining stock, which raises willingness to pay. It knows neither how clicks respond to its bid nor how strong and dispersed its market is, and learns both over repeated seasons from data its own decisions censor: a zero bid reveals nothing about paid clicks, and choices follow only clicks. We design a posterior-sampling agent for it. Each period it draws a market from an exact posterior and posts the bid and discount of that market's exactly solved season plan, so every action is one a fully informed seller could take. In a simulated online florist it has the lowest regret averaged over markets. In weak markets it gives up 12% to 23% of one season's revenue over 500 seasons, four to seven times less than drawing once per season. A planner acting on point estimates can stop bidding and never learn that bidding pays. The agent escapes after about three seasons on average, against fifty with one draw per season. Where displayed scarcity keeps willingness to pay above the posted price, the discount needs no learning. Customers waiting for the discount to return to its recent level look like lost sales, so frequent waiting makes the agent underrate its market. One discount per season removes waiting at a cost of 5.9% of clairvoyant revenue in a weak market and none in a strong one.
• Abstract（参考訳）: あるオンライン小売業者は、スポンサー付き検索クリックの代償商品入札を開始し、常に在庫された定番のバンドルを割引し、残りの在庫を表示し、支払いの意欲を高める。 クリックが入札にどう反応するかも、市場がどれだけ強く分散しているかも知らないし、また、その決定を検閲するデータから、繰り返し行われるシーズンを通じて両方のことを学ぶ:ゼロ入札は有料クリックについて何も明らかにせず、選択はクリックのみに従う。 我々は後部サンプリング剤を設計する。 それぞれの期間に市場を正確に後から引きずり出し、市場が正確に解決した季節計画の入札と割引を掲示するので、すべての行動は、完全に情報を得た売り手が行うことができる。 オンライン花屋のシミュレーションでは、市場で平均された後悔は最低だ。 弱い市場では、500シーズンにおける1シーズンの収入の12%から23%を占め、年間1回の描画より4～7倍少ない。 ポイント推定で行動するプランナーは入札を止めることができ、入札が支払うことを決して学ばない。 エージェントは平均して3シーズンの後に脱出し、1シーズンに1回の引き分けで50回の引き分けを行う。 表示不足が投稿された価格以上の支払いを希望している場合、割引は学習する必要がない。 割引が最近の水準に戻るのを待っている顧客は、売れ行きのように見えるので、頻繁に待つと、エージェントは市場を下降させる。 1シーズンあたりのディスカウントは、弱い市場における透かし収入の5.9%のコストで取り除かれ、強い市場は行われない。

関連論文リスト

• Toolflation: Seller Agents Distort Tool Markets Through Spontaneous Generative Engine Optimization [12.335827799771087]
  より多く選択されるように指示された販売業者が、生成エンジン最適化を実践していることが示される。 AmazonとInstagramで、実際のデータツールからツールマーケットを構築しています。
  論文  参考訳（メタデータ） (2026-10-20T16:12:39Z)
• Price of Anarchy of First-Price Auctions in Agentic Markets [36.7107208771907]
  エージェント市場は、AIエージェントが各ユーザプロンプトを請求する分散サービスタイム市場である。 この論文は、エージェント市場がアナーキーの価格を下げる特徴を持つ可能性が高いと主張している。
  論文  参考訳（メタデータ） (2026-10-14T17:57:57Z)
• Who Keeps the Gains from Personal AI Assistants? Seller Adaptation and the Unassisted in a Language-Model Market Simulation [3.1483200146172723]
  われわれはエージェントベースのレンタル市場を構築し、言語モデルが消費者、アシスタント、6つのアダプティブ・セラーを演じている。 販売者が凍結した日1日あたり、採用者の支出が13.7ドル削減されたことが判明した。 市場レベルでは、完成度、総支出、非ユーザを含め、アシスタントを評価すべきであると結論付けている。
  論文  参考訳（メタデータ） (2026-10-05T05:20:51Z)
• Online Market Making and the Value of Observing the Order Book [44.5487486690729]
  本研究では,学習者が連続して入札を行い,単一資産の価格を求めるオンライン市場形成問題について検討する。 リアルリミットオーダーブックにインスパイアされたアクション依存フィードバックモデルを導入する。 この追加情報が、問題の学習可能性に根本的に変化することを示します。
  論文  参考訳（メタデータ） (2026-05-19T09:26:01Z)
• A pragmatic policy learning approach to account for users' fatigue in repeated auctions [47.75983850930121]
  MLモデルは、前回のオークションが現在の機会価値をどの程度獲得したかを予測することができる。 この予測を用いて、現在の競売の予想利益を最大化する政策を、患者と呼ぶことができる。 我々は、このコストの浸透の重要性について、実証的な2つの論証を提示した。
  論文  参考訳（メタデータ） (2024-07-15T07:53:29Z)
• Bandits Meet Mechanism Design to Combat Clickbait in Online Recommendation [50.469872635246176]
  我々は,マルチアームバンディット問題の戦略的変種について検討し,これを戦略的クリックバンディット(Click-bandit)と呼ぶ。 このモデルは、推奨項目の選択がクリックスルー率とクリック後の報酬の両方に依存するオンラインレコメンデーションのアプリケーションによって動機付けられている。
  論文  参考訳（メタデータ） (2023-11-27T09:19:01Z)
• Leveraging the Hints: Adaptive Bidding in Repeated First-Price Auctions [42.002983450368134]
  プライスオークションでの競売の仕方について検討する。 第二価格のオークションとは異なり、個人価値を真に入札することはもはや最適ではない。 1つは1つの点予測が可能であり、もう1つはヒント間隔が利用可能である。
  論文  参考訳（メタデータ） (2022-11-05T19:20:53Z)
• A Reinforcement Learning Approach in Multi-Phase Second-Price Auction Design [158.0041488194202]
  多相第2価格オークションにおけるリザーブ価格の最適化について検討する。 売り手の視点からは、潜在的に非現実的な入札者の存在下で、環境を効率的に探索する必要がある。 第三に、売り手のステップごとの収益は未知であり、非線形であり、環境から直接観察することさえできない。
  論文  参考訳（メタデータ） (2022-10-19T03:49:05Z)
• A novel auction system for selecting advertisements in Real-Time bidding [68.8204255655161]
  リアルタイム入札(Real-Time Bidding)は、インターネット広告システムで、近年非常に人気を集めている。 本稿では、経済的な側面だけでなく、広告システムの機能にかかわる他の要因も考慮した、新たなアプローチによる代替ベッティングシステムを提案する。
  論文  参考訳（メタデータ） (2020-10-22T18:36:41Z)
• Scalable Bid Landscape Forecasting in Real-time Bidding [12.692521867728091]
  プログラム広告では、広告スロットは通常、第二価格(SP)オークションを使ってリアルタイムで販売される。 SPでは、1つの項目に対して、各入札者の支配的な戦略は、入札者の視点から真の価値を入札することである。 本稿では,ヘテロセダスティックな完全パラメトリック・レグレッション・アプローチと混合密度・レグレッション・ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-01-18T03:20:05Z)

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。