価格設定2026/10/15arXiv:2610.22516

情報源を考慮した戦略的買い手への動的価格設定

Source-Aware Dynamic Pricing with Strategic Buyers

検証済み特徴と自己申告特徴を区別し、買い手の戦略的操作に対処しながら高次元半パラメトリック設定で価格を学習するSALE方策を提案した論文。

詳しい要約

1. どんなもの？

- 現代の商取引で企業・プラットフォームが顧客特徴を複数ソースから用いて価格を個人化する状況を扱う - 特徴には seller records や third-party data で検証済みのものと、buyer が低価格を狙い戦略的に操作しうる self-reported なものがある - 検証可能性の異なるソースを区別する source-aware framework を提案 - 高次元 semiparametric 設定で、buyer valuation は sparse linear model、noise distribution は未知 - strategic buyers 下の contextual dynamic pricing を対象とする

2. 先行研究と比べてどこがすごい？

- 情報の provenance（出所）を dynamic pricing に組み込む理論・実務の枠組みを初めて提供すると主張 - 従来の contextual dynamic pricing は特徴の操作可能性の差を明示的に扱わない - 検証済み特徴と自己申告特徴を区別し、探索と活用で使い分ける点が新しい - 高次元 semiparametric 設定で noise distribution の非parametric 推定に一様保証を与える点が先行研究と異なる - 要旨からは不明：比較対象となる具体的な既存手法名は明示されていない

3. 技術・手法の肝は？

- Source-Aware Localized exploration and calibrated Exploitation (SALE) 価格方策を開発 - verified features を用いて価格探索を localize する - exploitation では verified と reported の特徴を組み合わせ、戦略的操作を補正 - localized exploration により binary purchase feedback を条件付き平均 valuation の unbiased signal に変換 - 新しい population equation を導出し、非 i.i.d. な buyer arrivals 下でも consistent な sparse estimation を可能に - 局所 empirical-process 解析と sparse geometry を活用し、高次元での noise distribution の非parametric 推定に一様保証を確立 - self-recovery property により局所探索の有…

4. どうやって有効だと検証した？

- simulation studies を実施 - real-data experiments を実施 - 両者で SALE の性能が良好であることを示す - 理論面では self-recovery property と sublinear expected regret bound を確立 - 要旨からは不明：具体的なデータセット名、ベースライン手法、評価指標の詳細

5. 議論はある？

- 情報の出所を価格設定に組み込む理論・実務枠組みの初提案と位置づけ - 検証済み特徴による局所探索と、報告特徴を用いた操作補正の両立が鍵 - 非 i.i.d. 到着下での sparse estimation と noise distribution 推定の一様保証を提示 - 要旨からは不明：想定外の操作パターン、モデル誤指定、実運用上の制約に関する議論

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として contextual dynamic pricing、high-dimensional sparse estimation、semiparametric estimation、empirical process theory、strategic buyers 下の mechanism design 周辺の定番文献を次に読むべき - 具体的な論文名は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jinjiang Zou, Yang Li, Zemin Zheng

分類: stat.ML, cs.LG, stat.ME

原文アブストラクト

In modern commerce, firms and platforms typically use customer features from different sources to personalize prices: some features are verified using seller records or third-party data, while others are self-reported and may be strategically manipulated by buyers seeking lower prices. We therefore introduce a novel source-aware framework for contextual dynamic pricing with strategic buyers in a high-dimensional semiparametric setting, where buyer valuations follow a sparse linear model with an unknown noise distribution. To account for differences in manipulability across feature sources while enabling effective valuation learning, we develop the Source-Aware Localized exploration and calibrated Exploitation (SALE) pricing policy, which draws on verified features to localize price exploration and combines verified and reported features to correct for strategic manipulation during exploitation. Our localized exploration design allows converting binary purchase feedback into unbiased signals of conditional mean valuations, yielding a new population equation that supports consistent sparse estimation despite non-i.i.d. buyer arrivals. Building on this estimate, we develop a localized empirical-process analysis that exploits intrinsic sparse geometry to establish uniform guarantees for nonparametric estimation of the noise distribution in the high-dimensional setting. With these estimation guarantees, we establish SALE's self-recovery property, which keeps localized exploration valid with high probability and leads to a sublinear expected regret bound. Both simulation studies and real-data experiments demonstrate the appealing performance of SALE. To the best of our knowledge, our study is the first to provide a theoretical and practical framework for incorporating information provenance into dynamic pricing with strategic buyers.

arXivで原文を読む →arXiv概要ページ

← 論文一覧