资源受限定价新突破！推断感知策略实现O(log T)遗憾，信息量线性增长，容量耗尽也不怕！
Adaptive Inference for Resource-Constrained Dynamic Pricing
📖 AI 总结
该研究探讨资源受限动态定价中的自适应推断问题，核心挑战在于库存耗尽可能消除目标价格附近的可行选项，破坏需求识别。作者提出一种推断感知的重求解策略，在观测协变量前检查目标支持，并通过记录定价混合实现流体目标负荷。在仿射约束容量族中，目标质量t⁻γ可提供T^(1-γ)的信息量，区间半径T^-(1-γ)/2，遗憾为O(log T+T^(1-γ))。采用学习型重心重求解并配合多项式误差分配（指数大于1），可实现线性信息时钟和O(log T)遗憾；精确输入平滑前沿扩展则达到根号T推断和O(log²T)遗憾。研究还发现物理排除规则阻止区间均匀收缩，而仅1/t量级的目标质量只能产生有界信息。该政策仅在预设支持与信息检查通过后才报告区间，为资源受限定价提供了兼顾收益与统计推断的可行框架。
🔑 关键词速览
| 动态定价 | 根据市场需求和库存水平实时调整商品价格的策略。 |
| 推断感知的重新求解策略 | 一种在重新优化定价时考虑统计推断有效性的方法，确保价格调整后仍能对需求进行可靠估计。 |
| 流体目标负荷 | 在确定性流体近似下，最优库存分配或定价策略所对应的目标负载。 |
| 遗憾 | 在线决策中，算法累积收益与最优策略累积收益之间的差距，衡量算法性能的指标。 |
| 重心重新求解 | 一种基于重心坐标的重新求解方法，用于在约束条件下调整定价策略。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅