Localized exploration in contextual dynamic pricing achieves dimension-free regret
情境动态定价中的局部探索与无维度遗憾界AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是动态定价中的在线决策与遗憾分析，未明确对应所列结构估计或金融定价方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
情境动态定价中的局部探索与无维度遗憾界
- 研究问题
- 在线性需求的情境动态定价中，如何安排探索与利用，使累计遗憾在足够长的决策期限下不随协变量维度增长？
- 方法与思路
- 作者提出局部探索后承诺算法，依次进行纯探索、已学最优定价策略附近的细化探索和纯利用，并分析其权衡。
- 材料陈述的贡献
- 摘要称当期限超过维度的某个多项式时，算法达到无维度的极小极大最优遗憾界，并提供覆盖不同期限的理论框架。
- 阅读关注点
- 应核对需求模型与噪声条件、期限对维度的具体要求、局部探索设计及关键不等式，并检查有限期限下的遗憾界。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明期限门槛和实验改进的数值。
原文摘要
We study the problem of contextual dynamic pricing with a linear demand model. We propose a novel localized exploration-then-commit (LetC) algorithm which starts with a pure exploration stage, followed by a refinement stage that explores near the learned optimal pricing policy, and finally enters a pure exploitation stage. The algorithm is shown to achieve a minimax optimal, dimension-free regret bound when the time horizon exceeds a polynomial of the covariate dimension. Furthermore, we provide a general theoretical framework that encompasses the entire time spectrum, demonstrating how to balance exploration and exploitation when the horizon is limited. The analysis is powered by a novel critical inequality that depicts the exploration-exploitation trade-off in dynamic pricing, mirroring its existing counterpart for the bias-variance trade-off in regularized regression. Our theoretical results are validated by extensive experiments on synthetic and real-world data.