Resource-Constrained Adaptive Inference for Sequential Pricing

Technisches Resümee: Ressourcenbeschränkte adaptive Inferenz für die sequentielle Preisgestaltung

Problemformulierung
Die Arbeit adressiert die Herausforderung, eine valide statistische Inferenz auf Sensitivitätsparameter der Nachfrage in dynamischen Preissystemen durchzuführen, die unter harten Ressourcenbeschränkungen (z. B. Inventarlimits für Flugsitze oder Hotelzimmer) operieren. In der Standard-adaptiven Preisgestaltung lernt ein Controller die Nachfrage, während er Preise festlegt, um den Umsatz zu maximieren. Ressourcenbeschränkungen führen jedoch zu einem einzigartigen Versagensmodus für die Inferenz: Der verbleibende Ressourcenstatus kann eine spezifische Zielpreisumgebung $[p^\sharp - h, p^\sharp + h]$ vollständig unmöglich machen.

Im Gegensatz zu traditionellen adaptiven Inferenzproblemen, bei denen das Hindernis eine geringe Propensität (seltene Besuche) ist, die zu instabilen inversen Dichtegewichten führt, können Ressourcenbeschränkungen zu Support-Exklusion (Unterstützungsausschluss) führen. In diesem Regime ist der Zielpreis nicht nur selten besucht; er wird für einen signifikanten Teil des Horizonts aus der zulässigen Menge entfernt. Folglich wird der Zieleffekt $\beta_j(p^\sharp)$ lokal unbeobachtbar. Die Arbeit formalisiert, dass unter Support-Exklusion keine Umgewichtung von geloggten Daten den Zielparameter wiederherstellen kann, da das realisierte Experiment über die notwendige Unterstützung verfügt. Das inferenzielle Ziel ist eine niedrigdimensionale Koordinate eines hochdimensionalen, spärlichen Nachfragemodells, das aus Daten geschätzt wird, die von einem Controller generiert wurden, der gleichzeitig Umsatz (Regret) und Ressourcen-Machbarkeit verwalten muss.

Methodik
Die Autoren schlagen ein Framework vor, das die Steuerungsstrategie mit dem statistischen Design integriert, wobei die „realisierte Informationsuhr“ als die maßgebliche Größe für die Inferenz behandelt wird, anstatt des nominalen Zeithorizonts.

1. Zielbewusster Pricing-Controller:
   Der Controller verwendet einen Mechanismus des grenzwert-attrahierten Re-Solving (Boundary-Attracted Re-solving). Er löst wiederholt eine fluide Approximation des Preisproblems, integriert jedoch eine „Ziel-Reserve-Bewachung“ (Target-Reserve Guard). Diese Bewachung stellt sicher, dass, falls ein Zielpreisband machbar ist, der Controller eine kontinuierliche Logging-Dichte über dieses Band aufrechterhält.

   • Zertifiziertes Logging: Der Controller prüft in jeder Runde ein „Full-Support-Zertifikat“. Wenn das gesamte Zielband innerhalb der gelösten machbaren Menge liegt, weist der Controller eine bekannte, kontinuierliche Dichte für dieses Band zu.
   • Randomisierungs-Budget: Der Controller weist ein Randomisierungs-Budget $v_t \asymp t^{-\gamma}$ (oder $1/t$ am logarithmischen Endpunkt) zu, um die Exploration sicherzustellen. Dieses Budget wird verwendet, um die Zielband-Masse $\alpha^\sharp_t$ aufrechtzuerhalten, wenn der Ressourcenstatus droht, das Ziel auszuschließen.

2. Support-bewusste de-biased Schätzung:
   Der Schätzer ist eine lokalisierte, mittels inverser Wahrscheinlichkeitsgewichtung (IPW) de-biased Konstruktion, die optional durch zentrierte Kontrollvariaten ergänzt wird.

   • Lokalisierte IPW: Der Schätzer verwendet einen kernel-gewichteten IPW-Score, aber nur in Runden, in denen das Full-Support-Zertifikat aktiv ist ($\chi^\sharp_t = 1$). Runden mit beschnittenem Support werden für Diagnosen geloggt, aber vom Schätzung der effektiven Horizont-Block ausgeschlossen.
   • Zentrierte Augmentierung (CVD): Ein optionaler Schritt subtrahiert eine vorhersagbare Komponente vom Score unter Verwendung von rein historienbasierten Regressionen (Kontrollvariaten). Dies reduziert die Varianz, falls vorhersagbare Score-Komponenten existieren, kann aber dort keinen Support schaffen, wo keiner vorhanden ist.
   • Informationsuhr: Die Breite des Konfidenzintervalls wird durch eine realisierte Informationsuhr $I_{j,T} = N_T^2 / Q_{j,T}$ gesteuert, wobei $N_T$ der effektive Horizont (Stoppzeit durch Ressourcenerschöpfung) und $Q_{j,T}$ die realisierte quadratische Variation des korrigierten Scores ist.

3. Diagnostisch-gesteuerte Berichterstattung:
   Die Arbeit führt ein „Support-CI“-Protokoll ein. Ein Festziel-Konfidenzintervall wird nur berichtet, wenn die realisierten Diagnosen bestehen: ausreichende Full-Support-Runden, eine angemessene effektive Stichprobengröße (ESS) und begrenzte maximale Score-Verhältnisse. Wenn der Ressourcenstatus den Ziel-Support kollabieren lässt, sieht die Methode von der Berichterstattung eines Festziel-Intervalls ab und bietet potenziell einen unterstützten, machbaren Preis-Estimanden an.

Wesentliche Beiträge

1. Formalisierung des Support-Exklusions-Versagens: Die Arbeit isoliert Support-Exklusion als einen distinkten Versagensmodus, bei dem der Zielparameter aufgrund von Ressourcenbeschränkungen lokal nicht identifizierbar ist, selbst wenn jede realisierte Aktion eine geloggte Dichte besitzt. Sie beweist, dass ohne rekurrenten Support kein gleichmäßig schrumpfendes Konfidenzintervall existiert.
2. Realisierte Informationsuhr: Sie führt eine neue Metrik für die Präzision der Inferenz ein, die den nominalen Horizont durch lokale Zielinformation ersetzt. Diese Uhr hängt von der Zielband-Masse $\alpha^\sharp_t$ und der Ressourcen-Stoppzeit ab, und zeigt, dass eine polynomielle Zielmasse polynomielle Konvergenzraten liefert, während ein reiner $1/t$-Explorationszweig ohne zusätzliche lokale Bewegung die Schrumpfung von Festziel-Intervallen verhindern kann.
3. Inferenz-bewusstes Re-solving: Die Autoren entwerfen einen Controller, der den Ziel-Support als eine Online-Design-Beschränkung behandelt. Durch die Zertifizierung des lokalen Supports und das Logging kontinuierlicher Dichten trennt der Controller die Kontrollinformation (für geringen Regret) von der lokalen Excitationsinformation (für die Inferenz).
4. Regret-Information-Accounting: Die Arbeit zeigt, dass die Regret-Kontrolle und die valide Inferenz unterschiedlichen Uhren folgen. Logarithmische Exposition mag für geringen Regret ausreichen, bleibt aber für die Festziel-Inferenz unzureichend, wenn die Zielmasse zu schnell abnimmt oder durch Ressourcenbeschränkungen ausgeschlossen wird.

Ergebnisse

• Theoretische Garantien: Unter den Bedingungen von rekurrentem Full Support und spärlicher Störgrößenschätzung erreicht der vorgeschlagene Schätzer asymptotische Normalität mit einer Varianz, die durch die realisierte Informationsuhr gesteuert wird. Der Regret ist begrenzt und skaliert mit dem Explorations-Budget und den Boundary-Buffer-Kosten.
• Experimentelle Validierung:
  • Kalibrierung: In Regimen, in denen der Ziel-Support erhalten bleibt (Nicht-Kollaps), liefert die Methode kalibrierte Konfidenzintervalle (Coverage $\approx 95\%$) mit Breiten, die den vorhergesagten Raten folgen.
  • Informationsuhr-Steigungen: Experimente bestätigen, dass eine polynomielle Zielmasse ($t^{-\gamma}$) zu einem Informationswachstum von $T^{1-\gamma}$ führt, während der $1/t$-Endpunkt eine begrenzte Informationsuhr zur Folge hat, was die Intervallschrumpfung verhindert.
  • Diagnostische Enthaltung: In Szenarien mit engem Budget, in denen der Ressourcenstatus den Ziel-Support kollabieren lässt, identifizieren die Diagnosen den Fehler korrekt, und die Methode sieht sich gegen die Berichterstattung eines Festziel-Intervalls, um eine invalide Inferenz zu vermeiden.
  • Varianzreduktion: Die zentrierte Augmentierung (CVD) reduziert RMSE und Intervallbreite in Regimen mit vorhersagbaren Score-Komponenten, sofern der zugrunde liegende Support stabil bleibt.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass eine valide Inferenz in ressourcenbeschränkten Umgebungen nicht von dem Controller getrennt werden kann, der die Daten generiert hat. Der Controller bestimmt nicht nur, welche Preise profitabel sind, sondern auch, welche Preiseffekte statistisch sichtbar bleiben.

• Gemeinsames Design: Die Arbeit plädiert für ein gemeinsames Design, bei dem der Controller aktiv den „lokalen Versuch“ bewahrt, der für die spärliche Inferenz erforderlich ist, anstatt die Inferenz als Post-hoc-Analyse einer umsatzmaximierenden Strategie zu behandeln.
• Regime-Abhängigkeit: Die Garantien sind regim Abhängig. In Knappheitsregimen, in denen die Zielumgebung den realisierten Pfad verlässt, identifiziert die Methode korrekt den Informationskollaps und gibt das Ziel als nicht unterstützt aus, anstatt ein falsches nominales Intervall zurückzugeben.
• Abgrenzung zu vorangegangener Arbeit: Im Gegensatz zur Standard-adaptiven Inferenz oder der Bandit-Literatur, in der der Aktionsraum verfügbar bleibt, hebt diese Arbeit hervor, dass die Machbarkeit selbst Teil des statistischen Designs unter Ressourcenbeschränkungen ist. Die Überlappungsbedingung ist eine Eigenschaft des kontrollierten Zustands, nicht nur der Logging-Policy.

Die Autoren bewahren Bescheidenheit hinsichtlich der Effizienz und merken an, dass ihre Ergebnisse ein valides Inferenz-Framework unter spezifischen Support-Bedingungen liefern und keine allgemeine Minimax-Effizienz-Schranke für alle beschränkten Settings darstellen. Der primäre Beitrag ist das Verständnis auf Mechanismusebene, wie Ressourcenbeschränkungen Support-Exklusion induzieren, sowie das Design eines Controllers, der dies mildert, um eine valide Inferenz zu ermöglichen.