Optimal Contextual Pricing under Agnostic Non-Lipschitz Demand
未知非 Lipschitz 需求下的最优情境定价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：摘要核心是在线定价算法与遗憾界，未明确涉及所列离散选择或结构估计方向。
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…
关注这篇论文的作者
未知非 Lipschitz 需求下的最优情境定价
- 研究问题
- 当线性估值中的未知噪声使需求出现任意跳跃与原子时，如何设计可计算的情境动态定价算法并缩小累计遗憾？
- 方法与思路
- 作者提出保守降价重定向 UCB 算法，结合随机化参数估计、保守残差网格探测及基于置信信息的一步重定向。
- 材料陈述的贡献
- 摘要称在随机且良态的情境条件下，算法以多项式时间达到略去对数因子的三分之二次方遗憾阶，并匹配已知下界。
- 阅读关注点
- 应核对反馈形式、噪声与情境的独立性及良态条件，以及遗憾基准、维度依赖、计算复杂度和下界对应的模型范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未展开良态条件，最优遗憾结论不能推广到任意情境序列。
原文摘要
We study contextual dynamic pricing with linear valuations and bounded-support agnostic noise, whose induced demand curve may be non-Lipschitz with arbitrary jumps and atoms. Such discontinuities break the cross-context interpolation arguments used by smooth-demand pricing algorithms, while the best previous method achieved only $\tilde O(T^{3/4})$ regret. We propose Conservative-Markdown Redirect-UCB Pricing, a polynomial-time algorithm that combines randomized parameter estimation, conservative residual-grid probing, and confidence-based one-step redirection. Our algorithm achieves $\tilde O(T^{2/3})$ optimal regret, matching the known lower bounds of Kleinberg and Leighton (2003) up to logarithmic factors and improving over the previous upper bound of Xu and Wang (2022). Under stochastic well-conditioned contexts, this closes the long-existing open regret gap in linear-valuation contextual pricing under agnostic non-Lipschitz noise distribution.