論文の概要: Pricing Today, Shaping Tomorrow: Contextual Dynamic Pricing in Purchase-Driven Evolving Systems

• arxiv url: http://arxiv.org/abs/2611.00719v1
• Date: Sat, 31 Oct 2026 07:36:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:21.607545
• Title: Pricing Today, Shaping Tomorrow: Contextual Dynamic Pricing in Purchase-Driven Evolving Systems
• Title（参考訳）: 価格、明日を形作る - 購入駆動進化システムにおけるコンテキスト動的価格設定
• Abstract要約: 我々は、共有状態と未知の購入駆動遷移を観測し、コンテキスト動的価格設定のための新しいフレームワークを開発する。 本稿では,購入後の収益効果を現在の価格に組み込んだSHAPE(Shadow-Adjusted Pricing in Evolving Systems)を提案する。
• 参考スコア（独自算出の注目度）: 2.532553954909495
• License:
• Abstract: Across diverse markets, it is important for firms to balance attracting customers with managing operational conditions, such as workloads and delivery times. Dynamic pricing plays a central role in this tradeoff, as the orders generated today can change the conditions faced by future customers. We develop a novel framework for contextual dynamic pricing with an observed shared state and unknown purchase-driven transitions. The valuation model allows unknown mean functions of customer covariates and state, unknown state-specific scales and a common unknown standardized noise distribution. We propose Shadow-Adjusted Pricing in Evolving Systems (SHAPE), which incorporates a purchase's future revenue consequences into current pricing. Purchase-shadow adjustment and scale standardization reveal a common one-dimensional oracle price map across states, allowing SHAPE to retain its pricing history across value updates without repeating coarse exploration. The same active sales records support price-map learning and joint updates of continuation values and purchase shadows, without fitting the noise distribution or full transition matrices. To support this reuse under purchase-driven feedback, we establish pricing guarantees for history-dependent inputs and stability bounds for the joint updates. Under regularity, coverage and design conditions, we obtain sublinear expected regret against a finite-horizon dynamic oracle for linear, Hölder and sparse linear mean models. For affine valuations at fixed state and feature dimensions, SHAPE matches the static semiparametric minimax time exponent up to logarithmic factors for every fixed noise-tail smoothness order $β\ge2$. Numerical experiments further demonstrate the appealing performance of SHAPE.
• Abstract（参考訳）: さまざまな市場において、企業が顧客を引きつけることと、ワークロードやデリバリ時間といった運用条件を管理することのバランスをとることが重要です。 ダイナミックな価格設定はこのトレードオフにおいて中心的な役割を担います。 我々は、共有状態と未知の購入駆動遷移を観測し、コンテキスト動的価格設定のための新しいフレームワークを開発する。 評価モデルは、顧客共変量と状態の未知の平均関数、未知の状態特化スケール、および共通の未知の標準雑音分布を可能にする。 本稿では,購入後の収益効果を現在の価格に組み込んだSHAPE(Shadow-Adjusted Pricing in Evolving Systems)を提案する。 購入シェードウの調整とスケールの標準化により、州間で共通の1次元のオラクル価格マップが示され、SHAPEは粗い探索を繰り返すことなく、価値更新全体にわたって価格履歴を維持できる。 同じアクティブセールスレコードは、ノイズ分布や完全な遷移行列に適合することなく、価格マップ学習と継続値と購入影の共同更新をサポートする。 購入主導のフィードバックの下で,この再利用を支援するため,履歴に依存した入力の価格保証と共同更新の安定性保証を確立する。 正規性、カバレッジ、設計条件の下では、線形、ヘルダーおよびスパース線形平均モデルに対する有限水平動的オラクルに対する準線形後悔が得られる。 固定状態および特徴次元におけるアフィン評価について、SHAPEは固定ノイズテール滑らか度オーダー$β\ge2$の対数係数までの静的半パラメトリックミニマックス時間指数と一致する。 数値実験によりさらにSHAPEの魅力が示された。

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)
• Can Large Language Models Keep Up? Benchmarking Online Adaptation to Continual Knowledge Streams [78.9560820155271]
  我々は、ストリーミングよりもオンライン適応を評価し、知識を継続的に更新する。 OAKSはOAKS-BABIとOAKS-Novelの2つのデータセットから構成される。 最先端モデルとエージェントメモリシステムはどちらもOAKSにしっかりと適応できない。
  論文  参考訳（メタデータ） (2026-03-08T00:38:39Z)
• Self-Improving World Modelling with Latent Actions [53.93276450137471]
  世界の内部モデリングは推論と計画に不可欠である。 状態のみのシーケンスから学習する自己改善フレームワークSWIRLを提案する。
  論文  参考訳（メタデータ） (2026-02-05T19:04:41Z)
• Guardrailed Elasticity Pricing: A Churn-Aware Forecasting Playbook for Subscription Strategy [0.0]
  本稿では,サブスクリプション価格を動的に保護された意思決定システムとして運用するマーケティング分析フレームワークを提案する。 季節ごとの時系列モデルをツリーベースの学習者とブレンドし、モンテカルロシナリオテストを実行してリスクエンベロープをマップし、制約付き最適化を解決する。 このフレームワークは,フラットな価格からダイナミックな価格への移行時期,CLVやMRRターゲットとの価格調整方法,倫理的ガードレールの組み込み方法など,戦略プレイブックとして機能する。
  論文  参考訳（メタデータ） (2025-12-24T04:25:31Z)
• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• 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)
• Dynamical Linear Bandits [45.3190496371625]
  多くの実世界のシーケンシャルな意思決定問題において、アクションはすぐにフィードバックを反映せず、その効果を長い時間枠で広げる。 これまでの研究は、遅延や集約されたフィードバックの可能性について、Multi-Armed Banditフレームワークを調査してきた。 本稿では,隠れ状態に特徴付けられる線形帯域の拡張である動的線形帯域(DLB)について紹介する。
  論文  参考訳（メタデータ） (2022-11-16T15:51:44Z)
• KnowGraph-PM: a Knowledge Graph based Pricing Model for Semiconductors Supply Chains [0.0]
  KnowGraph-PMは知識グラフベースの動的価格モデルである。 価格変動は顧客との対立を引き起こす可能性がある。 セマンティックデータの統合によって、顧客に適した収益管理が可能になることを実証する。
  論文  参考訳（メタデータ） (2022-05-13T10:34:57Z)
• Distribution-free Contextual Dynamic Pricing [5.773269033551628]
  コンテキスト動的価格設定は、顧客との逐次的なインタラクションに基づいてパーソナライズされた価格を設定することを目的としている。 本稿では,未知のランダムノイズを伴う文脈的動的価格を評価モデルで検討する。 我々の流通自由価格政策は、コンテキスト関数と市場ノイズの両方を同時に学習する。
  論文  参考訳（メタデータ） (2021-09-15T14:52:44Z)

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。