📊 statistics

Dynamic Pricing in the Linear Valuation Model using Shape Constraints

यह शोध पत्र लीनियर वैल्यूएशन मॉडल में सेंसर डेटा के लिए एक ट्यूनिंग-पैरामीटर-मुक्त डायनेमिक प्राइसिंग पद्धति प्रस्तुत करता है जो कमजोर होल्डर निरंतरता (Hölder continuity) धारणाओं के तहत शेप-कंस्ट्रेंड आइसोटोनिक रिग्रेशन का उपयोग करती है, जो सिमुलेशन और वास्तविक स्वास्थ्य देखभाल डेटा के माध्यम से मौजूदा दृष्टिकोणों की तुलना में बेहतर अनुभवजन्य रिग्रेट प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Daniele Bracale, Moulinath Banerjee, Yuekai Sun, Kevin Stoll, Salam Turki

प्रकाशित 2026-07-28

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniele Bracale, Moulinath Banerjee, Yuekai Sun, Kevin Stoll, Salam Turki

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक नींबू पानी (लेमोनेड) का स्टॉल चला रहे हैं, लेकिन एक ट्विस्ट के साथ: आपको नहीं पता कि आपके ग्राहक कितना भुगतान करने के लिए तैयार हैं, और मौसम, दिन के समय और उनकी प्यास के आधार पर उनके बटुए का आकार हर दिन बदल जाता है। यह डायनेमिक प्राइसिंग (गतिशील मूल्य निर्धारण) की दुनिया है, जो एक उच्च-दांव वाला खेल है जहाँ विक्रेता वास्तव में उत्पाद बेचने के लिए सही कीमत खोजने के लिए लगातार कीमतों को समायोजित करते हैं। यदि आप बहुत अधिक अनुमान लगाते हैं, तो कोई नहीं खरीदेगा; यदि बहुत कम अनुमान लगाते हैं, तो आप संभावित लाभ हाथ से जाने देते हैं। जीतने के लिए, आपको दो विपरीत शक्तियों के बीच संतुलन बनाना होगा: एक्सप्लोरेशन (अन्वेषण) (यह जानने के लिए अलग-अलग कीमतें आज़माना कि लोग क्या भुगतान करेंगे) और एक्सप्लोइटेशन (दोहन) (जो आपने सीखा है उसका उपयोग करके अभी के लिए सही कीमत निर्धारित करना)।

द दशकों से, गणितज्ञों और अर्थशास्त्रियों ने इस पहेली को हल करने के लिए एल्गोरिदम बनाने की कोशिश की है, विशेष रूप से जब बाजार का "शोर" (वे यादृच्छिक कारक जो ग्राहक के हाँ या ना कहने को प्रभावित करते हैं) एक पूर्ण रहस्य होता है। मौजूदा समाधानों में से अधिकांश जटिल व्यंजनों की तरह हैं जिनमें आपको थोड़ा सा यह और थोड़ा सा वह चाहिए—विशेष रूप से, "ट्यूनिंग पैरामीटर्स" जिन्हें उपयोगकर्ता को अनुमान लगाना या मैन्युअल रूप से समायोजित करना पड़ता है। यदि आप रेसिपी गलत करते हैं, तो एल्गोरिदम विफल हो जाता है। बड़ा सवाल यह रहा है: क्या हम एक ऐसा प्राइसिंग रोबोट बना सकते हैं जो बिना किसी मानव शेफ द्वारा लगातार नॉब्स (knobs) को घुमाए, अपने आप सीख सके?

यह शोध पत्र, जिसका शीर्षक "शेप कंस्ट्रेंट्स का उपयोग करके लीनियर वैल्यूएशन मॉडल में डायनेमिक प्राइसिंग" है, एक दृढ़ "हाँ" के साथ उत्तर देता है। लेखक, जो मिशिगन विश्वविद्यालय और वेलटावर इंक (Welltower Inc.) की एक टीम है, एक नया तरीका प्रस्तावित करते हैं जो एक स्मार्ट, स्व-सुधार करने वाले जासूस की तरह कार्य करता है। बाजार की अनिश्चितता के आकार का अनुमान लगाने के बजाय, उनका एल्गोरिदम एक सरल नियम का उपयोग करता है: मोनोटोनिसिटी (एकदिशिकता)। सरल शब्दों में, इसका अर्थ है कि एल्गोरिदम यह मानता है कि यदि कीमत बढ़ती है, तो बिक्री की संभावना कभी भी नहीं बढ़ेगी—यह केवल स्थिर रह सकती है या घट सकती है। इस गणित को इस प्राकृतिक, एकतरफा रास्ते का सम्मान करने के लिए मजबूर करके, एल्गोरिदम बिना किसी मैन्युअल ट्यूनिंग के बाजार के रहस्यों को सीख लेता है।

शोधकर्ताओं ने अपने "ट्यूनिंग-पैरामीटर-फ्री" तरीके का कंप्यूटर सिमुलेशन और एक विशाल स्वास्थ्य सेवा रियल एस्टेट कंपनी के वास्तविक डेटा का उपयोग करके कई अन्य शीर्ष-स्तरीय एल्गोरिदम के विरुद्ध परीक्षण किया। परिणाम प्रभावशाली थे: उनका तरीका प्रतिस्पर्धा की तुलना में लगातार अधिक राजस्व (या "रिग्रेट", जो वह पैसा है जो पूर्ण मूल्य निर्धारण न करने के कारण खो दिया गया है) अर्जित करता है। यह केवल काम ही नहीं कर रहा था; यह उन तरीकों से बेहतर काम कर रहा था जो बाजार के व्यवहार के बारे में बहुत सख्त और कठिन धारणाओं पर निर्भर करते हैं। संक्षेप में, उन्होंने एक कंप्यूटर को उत्पाद की कीमत सटीक रूप से तय करना सिखाने का एक तरीका खोज लिया है, बस उसे यह बताकर कि, "याद रखें, उच्च कीमतें मतलब कम बिक्री," और बाकी सब डेटा पर छोड़ दिया।

द स्टोरी ऑफ द प्राइस डिटेक्टिव (मूल्य जासूस की कहानी)

आइए देखें कि यह कैसे काम करता है। कल्पना कीजिए कि आप विक्रेता हैं। हर दिन, आप एक विशिष्ट प्रोफाइल वाला एक ग्राहक देखते हैं (शायद वे एक छात्र हैं, या एक परिवार, या एक व्यावसायिक यात्री)। आप उनकी सटीक "वैल्यूएशन" (मूल्य निर्धारण)—यानी अधिकतम राशि जो वे भुगतान करेंगे—नहीं जानते, लेकिन आप जानते हैं कि यह उनके प्रोफाइल प्लस कुछ रैंडम किस्मत से संबंधित है। आपका लक्ष्य एक कीमत $p$ निर्धारित करना है। यदि $p$ उनके मूल्यांकन से कम है, तो वे खरीदते हैं, और आपको $p$ मिलता है। यदि $p$ इससे अधिक है, तो वे चले जाते हैं, और आपको कुछ नहीं मिलता।

जटिल हिस्सा यह है कि आप "नॉइज़" वितरण ( $F_0$ ) को नहीं जानते। यह वह छिपा हुआ नियम पुस्तिका है जो यह तय करती है कि ग्राहकों के मूड कितने अनिश्चित हैं। क्या यह एक स्मूथ, बेल-कर्व वाली दुनिया है? या यह ऊबड़-खाबड़ और अप्रत्याशित है? पुराने तरीकों ने "कर्नेल" (जो धुंधले आवर्धक लेंस की तरह हैं) या "बैंडिट्स" (जो स्लॉट मशीनों की तरह हैं जो यह सीखते हैं कि कौन सा लीवर खींचना है) जैसे जटिल उपकरणों का उपयोग करके इस आकार का अनुमान लगाने की कोशिश की। लेकिन इन उपकरणों को एक इंसान द्वारा "धुंधलेपन" या "सीखने की गति" (ट्यूनिंग पैरामीटर्स) को सेट करने की आवश्यकता थी। यदि आप उन्हें गलत सेट करते हैं, तो एल्गोरिदम लड़खड़ा जाता है।

लेखकों का नया दृष्टिकोण ताज़गी भरा और सरल है। उन्होंने महसूस किया कि कीमत और बिक्री की संभावना के बीच का संबंध आइसोटोनिक (या शेप-कंस्ट्रेंड) है। यह कहने का एक फैंसी तरीका है कि वक्र (curve) केवल नीचे जा सकता है, ऊपर नहीं। आप $10 की तुलना में$ 100 वसूल कर बिक्री की संभावना नहीं बढ़ा सकते। आइसोटोनिक रिग्रेशन (विशेष रूप से "एंटीटोनिक" क्योंकि यह नीचे जाता है) नामक एक गणितीय तकनीक का उपयोग करके, एल्गोरिदम अनुमानित वक्र को इस नियम का पालन करने के लिए मजबूर करता है। यह एक बच्चे को ब्लॉकों का एक सेट देने और यह कहने जैसा है, "एक स्लाइड बनाओ जो केवल नीचे की ओर जाए।" बच्चे को भौतिकी के नियमों को जानने की आवश्यकता नहीं है; स्लाइड का आकार ही भौतिकी है।

एल्गोरिदम गेम कैसे खेलता है

एल्गोरिदम "एपॉक्स" (epochs) में राउंड खेलता है। इन्हें एक स्पोर्ट्स लीग के सीज़न के रूप में समझें।

एक्सप्लोरेशन फेज (अन्वेषण चरण): प्रत्येक सीज़न की शुरुआत में, एल्गोरिदम एक जिज्ञासु पर्यटक की तरह व्यवहार करता है। यह डेटा एकत्र करने के लिए यादृच्छिक कीमतें आज़माता है। यह एक चालाकी भरा तरीका अपनाता है: यह एक रैंडम "नॉइज़" मान चुनता है और ग्राहक के मूल्य के अपने वर्तमान सर्वोत्तम अनुमान में इसे जोड़कर एक कीमत निर्धारित करता है। यह बाजार के आकार को मैप करने में मदद करता है।
एक्सप्लोइटेशन फेज (दोहन चरण): एक बार जब इसने पर्याप्त डेटा एकत्र कर लिया है, तो यह "बिजनेस मोड" में स्विच हो जाता है। यह अभी एकत्र किए गए डेटा का उपयोग अपनी "स्लाइड" (मोनोटोनिक कर्व) बनाने के लिए करता है और शेष सीज़न के लिए सटीक कीमत निर्धारित करने के लिए उस स्लाइड के उच्चतम बिंदु को ढूंढता है।

इस पद्धति की खूबसूरती यह है कि इसे यह कहने के लिए किसी इंसान की ज़रूरत नहीं है कि, "ठीक है, स्लाइड को और तीव्र बनाओ" या "डेटा संग्रह को लंबा करो।" गणित अपने आप सही संतुलन निकाल लेता है। लेखकों ने गणितीय रूप से सिद्ध किया है कि जैसे-जैसे समय बीतता है, "रिग्रेट" (पूर्ण न होने के कारण खोया गया पैसा) बहुत धीरे-धीरे बढ़ता है, विशेष रूप से उस दर पर जो बाजार के शोर की "स्मूथनेस" पर निर्भर करती है।

द प्रूफ इज इन द पुडिंग (एंड द डेटा)

यह देखने के लिए कि क्या यह सिद्धांत काम करता है, टीम ने दो प्रकार के परीक्षण किए।

सबसे पहले, उन्होंने सिमुलेशन चलाए। उन्होंने अलग-अलग प्रकार के "नॉइज़" (कुछ स्मूथ, कुछ ऊबड़-खाबड़) के साथ नकली बाजार बनाए और अपने नए एल्गोरिदम को सबसे अच्छे मौजूदा एल्गोरिदम के विरुद्ध खड़ा किया। परिणाम स्पष्ट थे: उनका तरीका लगातार प्रतिस्पर्धा को हराता रहा। यहाँ तक कि जब उन्होंने सिमुलेशन को बहुत लंबे समय (8,000 राउंड तक) तक बढ़ाया, तब भी उनका एल्गोरिदम जीतता रहा, जबकि अन्य संघर्ष करने लगे। यह विशेष रूप से उन बाजारों को संभालने में अच्छा था जहाँ शोर पूरी तरह से स्मूथ नहीं था, एक ऐसी स्थिति जहाँ अन्य तरीके अक्सर विफल हो जाते हैं या असंभव ट्यूनिंग की मांग करते हैं।

दूसरा, और शायद अधिक रोमांचक, उन्होंने वेलटावर इंक (Welltower Inc.) के वास्तविक डेटा पर इसका परीक्षण किया, जो एक बड़ी स्वास्थ्य सेवा रियल एस्टेट कंपनी है। उन्होंने रेंटल यूनिट्स के डेटा का उपयोग किया, जिसमें वर्ग फुट, पड़ोस के औसत घर के मूल्यों और यूनिट प्रकारों जैसे कारकों का उपयोग करके सर्वोत्तम रेंटल मूल्य का अनुमान लगाया गया। इस वास्तविक परिदृश्य में, वे केवल अनुमान नहीं लगा रहे थे; वे ठीक से देख सकते थे कि अंतिम लेनदेन मूल्य क्या था।

परिणाम चौंकाने वाले थे। उनके नए तरीके ने "UCB" पद्धति (जिसके लिए ट्यूनिंग पैरामीटर्स की आवश्यकता होती है) और "VAPE" पद्धति की तुलना में अधिक राजस्व उत्पन्न किया। इसने "कर्नेल" पद्धति के मुकाबले भी प्रतिस्पर्धी प्रदर्शन किया, जो अपने आप में शक्तिशाली मानी जाती है लेकिन इसके लिए बाजार के शोर का बहुत स्मूथ (दो बार डिफरेंशिएबल) होना आवश्यक है। लेखकों के तरीके को उस स्मूथनेस की आवश्यकता नहीं थी; इसे केवल इस बुनियादी नियम की आवश्यकता थी कि "उच्च कीमत = बिक्री की कम संभावना।"

यह क्यों महत्वपूर्ण है

यह शोध पत्र यह दावा नहीं करता है कि इसने ब्रह्मांड की हर मूल्य निर्धारण समस्या को हल कर दिया है। यह एक विशिष्ट, सामान्य सेटअप पर केंद्रित है जहाँ कीमतें ग्राहकों की विशेषताओं पर निर्भर करती हैं। हालाँकि, इसने "ट्यूनिंग पैरामीटर्स" की आवश्यकता को हटाकर एक महत्वपूर्ण छलांग लगाई है। वास्तविक दुनिया में, व्यवसायों के पास हर दिन एल्गोरिदम को ट्यून करने के लिए गणितज्ञों की टीमें नहीं होती हैं। उन्हें ऐसे उपकरणों की आवश्यकता है जो बस काम करें।

डेटा के प्राकृतिक आकार (यह तथ्य कि डिमांड कर्व नीचे जाते हैं) पर भरोसा करके, लेखकों ने एक ऐसा उपकरण बनाया है जो मजबूत, कुशल और आश्चर्यजनक रूप से सटीक है। उन्होंने दिखाया है कि कभी-कभी, एक जटिल, शोर वाले बाजार को समझने का सबसे अच्छा तरीका अधिक जटिल मॉडल बनाना नहीं है, बल्कि बाजार के सरल, अटूट नियमों का सम्मान करना है। जैसा कि पेपर निष्कर्ष निकालता है, यह दृष्टिकोण स्मार्ट प्राइसिंग के लिए एक "ट्यूनिंग-पैरामीटर-फ्री" मार्ग प्रदान करता है, जो यह सिद्ध करता है कि डेटा साइंस की दुनिया में, थोड़ा सा सामान्य ज्ञान (या इस मामले में, एक मोनोटोनिक कर्व) बहुत काम आ सकता है।

तकनीकी सारांश: आकार संबंधी बाधाओं (Shape Constraints) का उपयोग करते हुए रैखिक मूल्यांकन मॉडल में गतिशील मूल्य निर्धारण

समस्या सेटिंग
यह शोध पत्र एक सीमित समय क्षितिज $T$ के लिए एकल उत्पाद हेतु 'कॉन्टेक्स्टुअल डायनेमिक प्राइसिंग' (contextual dynamic pricing) की समस्या को संबोधित करता है। समय $t$ पर उत्पाद का बाजार मूल्य $x_t$ के देखे गए सह-चरों (covariates) के एक रैखिक फलन के रूप में मॉडल किया गया है, जिसमें एक अज्ञात शोर पद $z_t$ शामिल है:
$v_t = \theta_0^\top x_t + z_t$
जहाँ $\theta_0$ एक अज्ञात पैरामीटर वेक्टर है और $z_t$ एक अज्ञात संचयी वितरण फलन (c.d.f.) $F_0$ से प्राप्त i.i.d. शोर चर हैं। विक्रेता एक कीमत $p_t$ पोस्ट करता है और एक बाइनरी सेल इंडिकेटर $y_t = \mathbb{1}\{p_t \leq v_t\}$ देखता है। इसका उद्देश्य एक ऐसी नीति डिजाइन करना है जो कुल राजस्व को अधिकतम करे, या समकक्ष रूप से, संचयी पछतावे (cumulative regret) $R(T)$ को कम करे, जिसे इष्टतम कीमत $p_t^*$ और पोस्ट की गई कीमत $p_t$ के बीच के अंतर के रूप में परिभाषित किया गया है।

मुख्य चुनौती यह है कि दोनों रैखिक पैरामीटर $\theta_0$ और शोर वितरण $F_0$ अज्ञात हैं। मौजूदा दृष्टिकोण आमतौर पर कर्नेल विधियों, बैंडिट एल्गोरिदम, या अपर बाउंड कॉन्फिडेंस (UCB) रणनीतियों पर निर्भर करते हैं, जिन्हें अक्सर मजबूत स्मूथनेस धारणाओं (जैसे लिप्सचिट्ज़ निरंतरता या उच्च-क्रम की स्मूथनेस) और हाइपरपैरामीटर (जैसे बैंडविड्थ या रेगुलराइजेशन पैरामीटर) के ट्यूनिंग की आवश्यकता होती है।

कार्यप्रणाली (Methodology)
लेखक आकार-प्रतिबंधित सांख्यिकी (shape-constrained statistics) पर आधारित एक नवीन, ट्यूनिंग-पैरामीटर-मुक्त नीति प्रस्तावित करते हैं, जो विशेष रूप से इस तथ्य का लाभ उठाती है कि सर्वाइवल फंक्शन $S_0 = 1 - F_0$ गैर-बढ़ता (non-increasing) है। एल्गोरिदम एक एपोक-आधारित ढांचे (डबलिंग ट्रिक) पर काम करता है, जो समय क्षितिज को एपिसोड में विभाजित करता है। प्रत्येक एपिसोड $k$ को दो चरणों में विभाजित किया गया है:

अन्वेषण चरण (Exploration Phase - $E_k$ ):
- $\theta_0$ का अनुमान: एल्गोरिदम $[p_{\min}, p_{\max}]$ में समान रूप से वितरित यादृच्छिक कीमतों को पोस्ट करके डेटा एकत्र करता है। यह रूपांतरित रिस्पॉन्स $H y_t$ (जहाँ $H = p_{\max} - p_{\min}$ ) पर ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) का उपयोग करके $\theta_0$ का अनुमान लगाता है।
- $S_0$ का अनुमान: वर्तमान अनुमान $\hat{\theta}_k$ का उपयोग करते हुए, एल्गोरिदम शोर के सपोर्ट $U$ से एक यादृच्छिक चर $w_t$ को समान रूप से (uniformly) नमूना लेता है और कीमत $p_t = w_t + \hat{\theta}_k^\top x_t$ निर्धारित करता है। यह निर्माण सुनिश्चित करता है कि शोर अनुमान के लिए डिज़ाइन पॉइंट्स समान (uniform) हों। एल्गोरिदम देखे गए युग्मों $(w_t, y_t)$ पर आइसोटोनिक रिग्रेशन (विशेष रूप से एंटीटोनिक रिग्रेशन क्योंकि $S_0$ गैर-बढ़ता है) का उपयोग करके सर्वाइवल फंक्शन $S_0$ (या समकक्ष रूप से शोर वितरण) का अनुमान लगाता है। यह चरण पूल एडजेंट वायलेटर्स एल्गोरिदम (PAVA) का उपयोग करता है।
दोहन चरण (Exploitation Phase - $E'_k$ ):
- अनुमानित मापदंडों $(\hat{\theta}_k, \hat{S}_k)$ का उपयोग करते हुए, विक्रेता अपेक्षित राजस्व फलन $\hat{p} \hat{S}_k(p - \hat{\theta}_k^\top x_t)$ को अधिकतम करके इष्टतम कीमत $p_t$ की गणना करता है और यह कीमत पोस्ट करता है।

प्रमुख योगदान
शोध पत्र तीन प्राथमिक योगदान देता है:

ट्यूनिंग-पैरामीटर-मुक्त अनुमान: लेखक एक ऐसी विधि प्रस्तावित करते हैं जो कर्नेल विधियों में बैंडविड्थ या UCB रणनीतियों में रेगुलराइजेशन पैरामीटर जैसे ट्यूनिंग पैरामीटर की आवश्यकता को समाप्त करती है। यह विधि केवल इस आकार प्रतिबंध (shape constraint) पर निर्भर करती है कि $F_0$ गैर-घटता (non-decreasing) है (या $S_0$ गैर-बढ़ता है) और केवल यह मानती है कि $F_0$ , $\alpha \in (0, 1]$ के लिए $\alpha$ -Hölder निरंतर है।
रिग्रेट अपर बाउंड: लेखक कुल अपेक्षित पछतावे (regret) का एक ऊपरी क्रम $\tilde{O}(T^{\nu(\alpha)} d^{\alpha/2+\alpha})$ का बाउंड प्राप्त करते हैं, जहाँ $\nu(\alpha)$ , हॉल्डर एक्सपोनेंट $\alpha$ का एक फलन है। विशेष रूप से, लिप्सचिट्ज़ धारणा ( $\alpha=1$ ) के तहत, रिग्रेट दर $\tilde{O}(T^{3/4} d^{1/3})$ है। इसका व्युत्पन्न एंटीटोनिक रिग्रेशन एस्टिमेटर एरर के यूनिफॉर्म नॉर्म के लिए एक नया एकाग्रता असमानता (concentration inequality) स्थापित करने पर आधारित है, जो पूर्व साहित्य में स्पष्ट रूप से मौजूद नहीं था।
अनुभवजन्य प्रदर्शन (Empirical Performance): सिमुलेशन और एक वास्तविक अनुप्रयोग के माध्यम से, शोध पत्र प्रदर्शित करता है कि प्रस्तावित विधि फैन एट अल. (2021) के कर्नेल-आधारित दृष्टिकोण, लुओ एट अल. (2022) के UCB-आधारित रणनीति और टुलिया एट अल. (2024) के VAPE एल्गोरिदम सहित मौजूदा अत्याधुनिक विधियों की तुलना में कम अनुभवजन्य पछतावा (empirical regret) प्राप्त करती है।

परिणाम

सिमुलेशन: लेखकों ने विभिन्न हॉल्डर एक्सपोनेंट ( $\alpha \in \{1/3, 1/2, 3/4, 1\}$ ) वाले विभिन्न शोर वितरणों को सिम्युलेट करके सैद्धांतिक रिग्रेट दरों को मान्य किया। रिग्रेट कर्व्स के अनुभवजन्य ढलान (empirical slopes) सैद्धांतिक सीमाओं से मेल खाते थे।
टुलिया एट अल. (2024) के साथ तुलना: टुलिया एट अल. (2024) के समान सिमुलेशन सेटिंग में (लिप्सचिट्ज़ निरंतरता मानते हुए), प्रस्तावित एंटीटोनिक रिग्रेशन विधि बड़े समय क्षितिज ( $T=8000$ ) तक VAPE एल्गोरिदम से बेहतर प्रदर्शन करती है, बावजूद इसके कि टुलिया एट अल. की विधि का सैद्धांतिक रूप से अधिक कड़ा बाउंड ( $\tilde{O}(T^{2/3})$ ) है।
वास्तविक अनुप्रयोग: विधि को वेलटावर इंक (Welltower Inc.), एक हेल्थकेयर रियल एस्टेट इन्वेस्टमेंट ट्रस्ट, के एक डेटासेट पर लागू किया गया, जिसमें रेंटल यूनिट लेनदेन शामिल थे। डेटासेट में मार्केट रेट, स्क्वायर फुटेज और यूनिट टाइप जैसे फीचर्स शामिल थे। प्रस्तावित विधि ने UCB विधि (लुओ एट अल., 2022) और VAPE एल्गोरिदम (टुलिया एट अल., 2024) की तुलना में संचयी राजस्व के मामले में मजबूत प्रदर्शन दिखाया और फैन एट अल. (2021) के कर्नेल-आधारित विधि के साथ प्रतिस्पर्धी रही, जिसे मजबूत स्मूथनेस धारणाओं (दो बार अवकलनीयता) और ट्यूनिंग की आवश्यकता होती है।

महत्व
शोध पत्र यह दावा करके महत्व प्रस्तुत करता है कि यह उन मौजूदा डायनेमिक प्राइसिंग रणनीतियों के लिए एक मजबूत, डेटा-संचालित विकल्प प्रदान करता है जो अक्सर हाइपरपैरामीटर ट्यूनिंग के प्रति संवेदनशील होते हैं। विशिष्ट पैरामीट्रिक रूपों या कर्नेल बैंडविड्थ के बजाय आकार प्रतिबंधों (मोनोटोनिसिटी) का लाभ उठाकर, यह विधि कार्यान्वयन को सरल बनाती है जबकि मजबूत सैद्धांतिक गारंटी और बेहतर अनुभवजन्य प्रदर्शन बनाए रखती है। लेखक नोट करते हैं कि हालांकि लिप्सचिट्स निरंतरता के तहत उनका सैद्धांतिक रिग्रेट बाउंड ( $\tilde{O}(T^{3/4})$ ), ज़ू और वांग (2022) और टुलिया एट अल. (2024) द्वारा स्थापित बाउंड ( $\tilde{O}(T^{2/3})$ ) की तुलना में थोड़ा ढीला है, लेकिन ट्यूनिंग पैरामीटर्स की कमी और सिंथेटिक एवं वास्तविक दुनिया के परिदृश्यों में उनके बेहतर अनुभवजन्य परिणाम उन्हें एक व्यावहारिक और प्रभावी समाधान बनाते हैं। यह कार्य एंटीटोनिक रिग्रेशन एस्टिमेटर्स के यूनिफॉर्म एरर के लिए स्पष्ट टेल प्रोबेबिलिटी बाउंड प्रदान करके सांख्यिकीय साहित्य में भी योगदान देता है।

द स्टोरी ऑफ द प्राइस डिटेक्टिव (मूल्य जासूस की कहानी)

एल्गोरिदम गेम कैसे खेलता है

द प्रूफ इज इन द पुडिंग (एंड द डेटा)

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर