Dynamic Pricing with Adversarially-Censored Demands
需求受到对抗性删失时的动态定价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：摘要主要研究在线定价算法和删失反馈下的遗憾界，未明确涉及所列计量方向中的结构估计或金融资产定价。
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…
需求受到对抗性删失时的动态定价
- 研究问题
- 当随机需求随价格变化、实际观测又被每期易腐库存截断时，如何在库存序列具有对抗性的情况下实现低遗憾定价？
- 方法与思路
- 作者提出基于导数乐观估计的在线定价算法，用于从库存截断的需求反馈中学习，并分析面对对抗性库存的遗憾界。
- 材料陈述的贡献
- 摘要称，算法在对抗性库存序列下达到忽略对数因子的平方根时域遗憾率，并将这一速率表述为理论最优。
- 阅读关注点
- 应核对需求函数限制、库存的信息时序、导数估计机制、遗憾比较基准，以及最优性结论所针对的算法与环境类别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明需求正则条件、证明细节或实证表现，最优性范围待核对。
原文摘要
We study an online dynamic pricing problem where the potential demand at each time period $t=1,2,\ldots, T$ is stochastic and dependent on the price. However, a perishable inventory is imposed at the beginning of each time $t$, censoring the potential demand if it exceeds the inventory level. To address this problem, we introduce a pricing algorithm based on the optimistic estimates of derivatives. We show that our algorithm achieves $\tilde{O}(\sqrt{T})$ optimal regret even with adversarial inventory series. Our findings advance the state-of-the-art in online decision-making problems with censored feedback, offering a theoretically optimal solution against adversarial observations.