抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
常に有効なオンライン統計的学習手順による動的価格決定政策の考案は,重要で未解決の問題である。採用した顧客選択モデルの忠実性に焦点を当てたほとんどの既存の動的価格決定政策は,価格決定プロセスの間の学習統計モデルのオンライン不確実性を適応させるための限られた能力を示す。本論文では,理論的保証による動的価格決定政策に基づく正則化オンライン統計的学習を設計するための新しい方法を提案した。新しい方法はオンラインLasso手順の連続監視の課題を克服し,いくつかの魅力的特性を備えている。特に,著者らは,価格決定の常に妥当性がオンライン正則化方式に関して構築して,繁iveするという決定的観察を行った。提案したオンライン正則化スキームは,提案した楽観的オンライン正則化最尤価格決定(OORMLP)価格決定政策を3つの主要な利点:価格決定プロセス最適化への市場騒音知識の符号化;常にすべての決定点にわたって常に妥当性を有するオンライン統計的学習;時間均一非漸近オラクル不等式によるエンベロープ予測誤差プロセス。このタイプの非漸近推論結果は,実際に,より多くのサンプル効率的でロバストな動的価格決定アルゴリズムを設計することを可能にする。理論的に,提案したOORMLPアルゴリズムは,高次元モデルのスパース性構造を利用して,決定地平における対数的レグレットをセキュアした。プロセスレベルで動的価格決定問題を解く楽観的オンラインLasso手順を提案することにより,これらの理論的進歩を可能にし,非漸近マリンゲール濃度の新しい利用に基づいた。実験では,異なる合成および実際の価格決定問題設定におけるOORMLPを評価し,OORMLPが最先端の方法を促進することを実証した。【JST・京大機械翻訳】