📊 statistics

Transfer Learning for Contextual Joint Assortment-Pricing under Cross-Market Heterogeneity

यह शोध पत्र ट्रांसफर जॉइंट असॉर्टमेंट-प्राइसिंग (TJAP) का प्रस्ताव करता है, जो एक मल्टीनोमियल लोगिट मॉडल के तहत कॉन्टेक्स्टुअल जॉइंट असॉर्टमेंट-प्राइसिंग के लिए एक बायस-अवेयर ट्रांसफर लर्निंग फ्रेमवर्क है, जो साझा वरीयता संरचनाओं के लाभों और व्यवस्थित पूर्वाग्रह की लागतों के बीच संतुलन बनाकर मिनीमैक्स ऑप्टिमल रिग्रेट प्राप्त करने के लिए स्पार्स क्रॉस-मार्केट हेटेरोजेनिटी का लाभ उठाता है।

मूल लेखक: Elynn Chen, Xi Chen, Yi Zhang

प्रकाशित 2026-03-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Elynn Chen, Xi Chen, Yi Zhang

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 चतुर स्टोर मैनेजर हैं जिसने अभी-अभी एक हलचल भरे शहर (टारगेट मार्केट) में अपनी एक नई फ्लैगशिप शॉप खोली है। आपको तुरंत दो चीजें तय करने की जरूरत है: किन उत्पादों को शेल्फ पर रखना है (असॉर्टमेंट/असा assortment) और उन पर क्या कीमत लगानी है (प्राइसिंग)।

समस्या क्या है? आप अभी तक यह नहीं जानते कि इस नए शहर के लोग वास्तव में क्या पसंद करते हैं। अगर आपने गलत अनुमान लगाया, तो आपका नुकसान होगा।

सौभाग्य से, आपके पास अलग-अलग शहरों में 10 अन्य समान दुकानें हैं (सोर्स मार्केट्स)। आपके पास उन स्टोर्स का वर्षों का सेल्स डेटा है। यह तर्कसंगना लगता है कि तेजी से सीखने के लिए बस उस डेटा को कॉपी-पेस्ट कर लिया जाए, है ना?

लेकिन यहाँ एक पेंच है: नए शहर के लोग थोड़े अलग हो सकते हैं। शायद वे कॉफी पसंद करते हैं लेकिन चाय से नफरत करते हैं, या वे आपके अन्य शहरों के लोगों की तुलना में कीमत के प्रति अधिक संवेदनशील हैं। यदि आप उस डेटा को बिना सोचे-समझे मिला देते हैं, तो आप गलत सामान रख सकते हैं या कीमत बहुत अधिक रख सकते हैं, क्योंकि "औसत" ग्राहक वास्तव में अस्तित्व में ही नहीं होता।

यह पेपर इस सटीक दुविधा को हल करने के लिए एक स्मार्ट नई विधि पेश करता है जिसे TJAP (ट्रांसफर जॉइंट असॉर्टमेंट-प्राइसिंग) कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से समझाया गया है:

1. समस्या: "ब्लाइंड पूल" बनाम "स्मार्ट मिक्स"

नाइव अप्रोच (ब्लाइंड पूलिंग - बिना सोचे-समझे मिलाना): कल्पना कीजिए कि आप अपने 10 पुराने शहरों से सभी सेल्स रसीदें लेते हैं, उन्हें एक विशाल ब्लेंडर में डालते हैं, और एक स्मूदी बना लेते हैं। फिर आप उस स्मूदी के आधार पर यह अनुमान लगाने की कोशिश करते हैं कि नए शहर को क्या चाहिए।
- जोखिम: यदि नया शहर तीखे भोजन से नफरत करता है, लेकिन आपके पुराने शहर तीखा खाना पसंद करते हैं, तो स्मूदी अभी भी तीखी ही होगी। आप नए शहर को तीखा भोजन परोसेंगे, और वे उसे नहीं खरीदेंगे। यह बायस (पूर्वाग्रह) है।
पुराना तरीका (केवल टारगेट): आप अपने अन्य 10 शहरों को पूरी तरह से अनदेखा कर देते हैं और नए शहर में शून्य से शुरुआत करते हैं।
- जोखिम: आपको ट्रायल और एरर (गलतियों से सीखने) के माध्यम से सब कुछ सीखना होगा। चीजों को समझने के दौरान इसमें बहुत समय और पैसा खर्च होता है। यह हाई वेरिएंस (उच्च अनिश्चितता) है।

2. समाधान: "स्मार्ट शेफ" (TJAP)

लेखक एक ऐसी विधि प्रस्तावित करते हैं जो एक बुद्धिमान शेफ की तरह काम करती है जिसे पारिवारिक रेसिपी बुक (पुराने शहर) का उपयोग करना आता है और साथ ही नए व्यंजन का स्वाद लेकर उसमें मसाला एडजस्ट करना भी आता है।

यह विधि तीन मुख्य चरणों में काम करती है:

चरण A: "ग्रुप हग" (एग्रीगेशन/एकत्रीकरण)

सबसे पहले, एल्गोरिदम आपके 10 पुराने शहरों के सभी डेटा को देखता है और सामान्य पैटर्न ढूंढता है।

उपमा: यह समझ जाता है, "हे, इन सभी 10 शहरों में, लोग आम तौर पर चाय की तुलना में कॉफी पसंद करते हैं, और बूट्स की तुलना में स्नीकर्स पसंद करते हैं।" ये साझा प्राथमिकताएं (shared preferences) हैं।
इस डेटा को मिलाने से, एल्गोरिदम इन सामान्य चीजों के बारे में एक बहुत ही मजबूत और स्पष्ट समझ प्राप्त करता है। यह केवल 10 आंखों के बजाय 100 आंखों के होने जैसा है।

चरण B: "स्पॉट चेक" (डिबायसिंग/पूर्वाग्रह हटाना)

इसके बाद, यह अंतर खोजने के लिए नए शहर के डेटा को देखता है।

उपमा: यह देखता है, "रुको, इस नए शहर में, लोग वास्तव में कॉफी की तुलना में चाय पसंद करते हैं, और वे बूट्स के लिए अधिक भुगतान करने को तैयार हैं।"
महत्वपूर्ण बात यह है कि एल्गोरिदम मानता है कि ये अंतर स्पार्स (विरल/कम) हैं। इसका मतलब है कि केवल कुछ ही चीजें अलग हैं (जैसे चाय/कॉफी का बदलाव), न कि सब कुछ। यह ठीक से पता लगाने के लिए कि कौन सी कुछ चीजें अलग हैं और रेसिपी को तदनुसार समायोजित करने के लिए एक "स्पॉट चेक" का उपयोग करता है। यह 'ग्रुप हग' को फेंकता नहीं है; यह बस मसाले को थोड़ा बदल देता है।

चरण C: "कॉन्फिडेंट गेस" (आशावादी निर्णय)

अंत में, एल्गोरिदम (क्या बेचना है और किस कीमत पर बेचना है) के निर्णय एक "बेस्ट-केस सिनेरियो" के आधार पर लेता है जो मजबूत ग्रुप डेटा और विशिष्ट बदलावों दोनों को ध्यान में रखता है।

उपमा: यह कहता है, "मुझे 99% यकीन है कि लोग स्नीकर्स पसंद करते हैं (क्योंकि 10 शहरों ने ऐसा कहा), लेकिन मुझे 50% संदेह है कि वे बूट्स के लिए अतिरिक्त भुगतान कर सकते हैं (क्योंकि नया शहर का डेटा अभी भी धुंधला है)। इसलिए, मैं आत्मविश्वास के साथ स्नीकर्स स्टॉक करूँगा, लेकिन मैं बूट्स के साथ थोड़ा प्रयोग भी करूँगा ताकि देख सकूँ कि क्या कीमत बनी रहती है।"

3. जादुई फॉर्मूला: वेरिएंस बनाम बायस

यह पेपर गणितीय रूप से सिद्ध करता है कि यह विधि सही संतुलन बनाती है:

साझा दिशाएं (वेरिएंस रिडक्शन): उन चीजों के लिए जो सभी शहरों में एक जैसी हैं (जैसे स्नीकर्स का प्यार), अन्य शहरों के डेटा का उपयोग करने से आप बहुत तेजी से सीखते हैं। आपके पास जितने अधिक शहर होंगे, आप इन सामान्य चीजों को उतनी ही तेजी से सीखेंगे।
अलग दिशाएं (बायस कंट्रोल): उन चीजों के लिए जो नए शहर के लिए अद्वितीय हैं (जैसे चाय की प्राथमिकता), आप उन्हें पुराने शहरों से नहीं सीख सकते। आपको उन्हें खुद सीखना होगा। एल्गोरिदम इस लागत को स्वीकार करता है लेकिन यह सुनिश्चित करता है कि पुराना डेटा आपको यह सोचने के लिए न बहका दे कि नए शहर को कॉफी पसंद है।

4. परिणाम

पेपर के प्रयोग दिखाते हैं कि यह "स्मार्ट शेफ" दृष्टिकोण विजेता है:

यह शून्य से शुरू करने (केवल टारगेट) की तुलना में तेजी से सीखता है।
यह डेटा को बिना सोचे-समझे मिलाने (नाइव पूलिंग) की तुलना में कम गलतियां करता है।
यह मजबूत (robust) है: भले ही नया शहर थोड़ा अजीब हो, एल्गोरिदम क्रैश नहीं होता; यह बस अनुकूलित हो जाता है।

संक्षेप में

यह पेपर हमें सिखाता है कि पिछले अनुभव का उपयोग करने के मामले में स्मार्ट कैसे बनें। यह कहता है: "अपना इतिहास उपयोग करें एक मजबूत नींव बनाने के लिए, लेकिन जो इसे अद्वितीय बनाता है उसके लिए समायोजन करने हेतु हमेशा नई स्थिति को ध्यान से सुनें।"

यह किसी दूसरे देश के नक्शे का आँख बंद करके पालन करने और नक्शे का उपयोग दिशा का सामान्य आभास पाने के लिए करने, और फिर अपने सटीक गंतव्य को खोजने के लिए स्थानीय सड़क संकेतों को देखने के बीच का अंतर है।

यहाँ शोध पत्र "Transfer Learning for Contextual Joint Assortment-Pricing under Cross-Market Heterogeneity" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र मल्टी-मार्केट सेटिंग में बैंडिट फीडबैक (bandit feedback) के तहत कॉन्टेक्स्टुअल जॉइंट असॉर्टमेंट-प्राइसिंग (Contextual Joint Assortment-Pricing) की समस्या को संबोधित करता है।

सेटिंग: एक विक्रेता कई संबंधित बाजारों (एक लक्ष्य बाजार और $H$ स्रोत बाजार) में कार्य करता है। लक्ष्य समय क्षितिज $T$ के दौरान लक्ष्य बाजार ( $h=0$ ) में संचयी राजस्व (cumulative revenue) को अधिकतम करना है।
निर्णय चर (Decision Variables): प्रत्येक समय चरण पर, विक्रेता को उत्पादों के एक उपसमुच्चय (असॉर्टमेंट $S_t \subseteq [N]$ जहाँ $|S_t| \le K$ ) का चयन करना होगा और चयनित वस्तुओं के लिए निरंतर कीमतें ( $p_t$ ) निर्धारित करनी होंगी।
डिमांड मॉडल: ग्राहकों का चयन कॉन्टेक्स्टुअल मल्टीनोमियल लोगिट (MNL) मॉडल का अनुसरण करता है। बाजार $h$ में उत्पाद $i$ के लिए लेटेंट यूटिलिटी (latent utility) मापदंडों के संदर्भ में रैखिक है:
$v_{it}^{(h)} = \langle x_{it}^{(h)}, \theta^{(h)} \rangle - \langle x_{it}^{(h)}, \gamma^{(h)} \rangle p_{it}$
जहाँ $x_{it}$ देखे गए कोवेरियेट्स (covariates) हैं, $\theta$ आधारभूत प्राथमिकताओं (baseline preferences) का प्रतिनिधित्व करता है, और $\gamma$ मूल्य संवेदनशीलता (price sensitivity) को दर्शाता है।
फीडबैक: विक्रेता केवल वास्तविक खरीद (बैंडिट फीडबैक) को देखता है, न कि पूर्ण डिमांड कर्व या लेटेंट यूटिलिटी को।
चुनौती: जबकि स्रोत बाजारों से प्राप्त डेटा सीखने की प्रक्रिया को तेज कर सकता है, क्रॉस-मार्केट हेटेरोजेनिटी (cross-market heterogeneity) (ग्राहकों की प्राथमिकताओं में अंतर) व्यवस्थित पूर्वाग्रह (systematic bias) उत्पन्न कर सकता है यदि डेटा को बिना सोचे-समझे मिला दिया जाए। मुख्य प्रश्न यह है कि पूर्वाग्रह से बचने के लिए संरचनात्मक अंतरों के बिना ज्ञान को सुरक्षित रूप से कैसे स्थानांतरित किया जाए।

2. कार्यप्रणाली: ट्रांसफर जॉइंट असॉर्टमेंट-प्राइसिंग (TJAP)

लेखक TJAP प्रस्तावित करते हैं, जो एक स्ट्रक्चर्ड ट्रांसफर लर्निंग धारणा और एक एग्रीगेट-देन-डीबायस (aggregate-then-debias) रणनीति पर आधारित एक बायस-अवेयर (bias-aware) ढांचा है।

A. स्ट्रक्चर्ड हेटेरोजेनिटी धारणा (Structured Heterogeneity Assumption)

यह शोध पत्र क्रॉस-मार्केट अंतरों को मनमाने बदलावों के रूप में नहीं, बल्कि स्पार्स यूटिलिटी शिफ्ट्स (sparse utility shifts) के रूप में मॉडल करता है।

बाजार एक साझा कॉन्टेक्स्टुअल यूटिलिटी संरचना साझा करते हैं।
लक्ष्य बाजार और किसी भी स्रोत बाजार के बीच अंतर एक स्पार्स सेट ऑफ लेटेंट प्रेफरेंस कोऑर्डिनेट्स (आकार $s_0$ ) तक सीमित है।
गणितीय रूप से, पैरामीटर अंतर $\nu^{(0)} - \nu^{(h)}$ एक सामान्य इंडेक्स सेट $\mathcal{S}^*$ पर समर्थित है जहाँ $|\mathcal{S}^*| \le s_0$ है।

B. एल्गोरिदम के घटक

TJAP ज्यामितीय रूप से बढ़ते हुए एपिसोड्स में कार्य करता है और इसमें तीन मुख्य तंत्र शामिल हैं:

एग्रीगेट-देन-डीबायस एस्टीमेशन (Aggregate-Then-Debias Estimation):
- एग्रीगेशन (वैरिएंस रिडक्शन): एक "साझा" प्रेफरेंस सेंटर ( $\hat{\nu}^{(ag)}$ ) का अनुमान लगाने के लिए स्रोत बाजार के डेटा को एकत्रित किया जाता है। यह साझा आयामों के साथ अनुमानित वैरिएंस को $1+H$ के अनुपात में कम करता है।
- डीबायसिंग (टारगेट अडैप्टेशन): केवल लक्ष्य बाजार के डेटा का उपयोग करके $\ell_1$ -रेगुलराइज्ड ऑप्टिमाइजेशन के माध्यम से एकत्रित अनुमान को परिष्कृत किया जाता है। यह चरण साझा केंद्र और वास्तविक लक्ष्य पैरामीटर के बीच स्पार्स विसंगति ( $\delta^*$ ) का अनुमान लगाता है, जो हेटेरोजेनिटी के कारण उत्पन्न पूर्वाग्रह को ठीक करता है।
- परिणाम: एक एस्टीमेटर $\hat{\nu} = \hat{\nu}^{(ag)} + \hat{\delta}$ जो वैरिएंस रिडक्शन और बायस कंट्रोल के बीच संतुलन बनाता है।
प्राइस-यूनिफॉर्म बाउंड्स के साथ ऑप्टिमिस्टिक डिसीजन रूल:
- TJAP एक UCB-शैली (Upper Confidence Bound) नीति का उपयोग करता है।
- टू-रेडियस कॉन्फिडेंस बाउंड्स: यूटिलिटी फंक्शन के लिए कॉन्फिडेंस इंटरवल के दो घटक हैं:
  1. वैरिएंस रेडियस ( $\alpha$ ): सभी बाजारों से प्राप्त कुल एकत्रित सूचना ( $1+H$ ) के साथ घटता है।
  2. बायस रेडियस ( $\beta$ ): स्पार्स शिफ्ट से होने वाले अवशेष त्रुटि (residual error) को ध्यान में रखता है, जो स्पर्सिटी $s_0$ और लक्ष्य डेटा के आकार के साथ स्केल करता है।
- प्राइस यूनिफॉर्मिटी: चूंकि कीमतें निरंतर (continuous) हैं, एल्गोरिदम एक मोनोटोन-लिप्सचिट्ज़ एनवेलप (monotone-Lipschitz envelope) का उपयोग करके कॉन्फिडेंस बाउंड्स का निर्माण करता है जो पूरे प्राइस डोमेन $[0, \bar{P}]$ पर प्रभावी हो, ताकि यह सुनिश्चित हो सके कि रेवेन्यू मैक्सिमाइजेशन समस्या के लिए ऑप्टिमिज्म सिद्धांत बना रहे।
एपिसोडिक इंफॉर्मेशन-जियोमेट्री कंट्रोल:
- एडेप्टिव निर्णयों की एंडोजेनिटी (जहाँ विकल्प भविष्य के डेटा की गुणवत्ता को प्रभावित करते हैं) को संभालने के लिए, एल्गोरिदम प्रत्येक एपिसोड के भीतर सूचना ज्यामिति (Fisher information matrix) को फ्रीज कर देता है।
- यह एक फोर्स्ड-एक्सप्लोरेशन गेट (forced-exploration gate) का उपयोग करता है: यदि लक्ष्य बाजार की फिशर सूचना (कर्वेचर) स्पार्स शिफ्ट को पहचानने के लिए अपर्याप्त है, तो एल्गोरिदम पहचान क्षमता (identifiability) सुनिश्चित करने के लिए रैंडम एक्सप्लोरेशन का एक छोटा दौर शुरू करता है।

3. प्रमुख योगदान

नया ढांचा: MNL डिमांड और बैंडिट फीडबैक के तहत कॉन्टेक्स्टुअल जॉइंट असॉर्टमेंट-प्राइसिंग में सुरक्षित ट्रांसफर लर्निंग के लिए पहला ढांचा।
बायस-अवेयर एस्टीमेशन: एक एग्रीगेट-देन-डीबायस पाइपलाइन पेश करता है जो साझा लर्निंग (वैरिएंस रिडक्शन) को लक्ष्य-विशिष्ट अनुकूलन (बायस कंट्रोल) से स्पष्ट रूप से अलग करता है।
सैद्धांतिक गारंटी:
- निम्नलिखित क्रम के मैचिंग मिनिमैक्स रिग्रेट बाउंड्स (matching minimax regret bounds) स्थापित करता है:
  $\tilde{O}\left( d \sqrt{\frac{T}{1+H}} + s_0 \sqrt{T} \right)$
- वैरिएंस टर्म: $d \sqrt{T/(1+H)}$ दिखाता है कि ट्रांसफर साझा दिशाओं में लर्निंग को तेज करता है, जिसके लाभ $H$ स्रोत बाजारों की संख्या के साथ स्केल होते हैं।
- बायस टर्म: $s_0 \sqrt{T}$ स्पार्स हेटेरोजेनियस कंपोनेंट्स को सीखने की अपरिहार्य लागत को दर्शाता है, जो केवल $s_0$ और लक्ष्य डेटा पर निर्भर करता है, न कि $H$ पर।
लोअर बाउंड: एक मैचिंग मिनिमैक्स लोअर बाउंड सिद्ध करता है, जो यह दर्शाता है कि वैरिएंस-बायस ट्रेडऑफ़ मौलिक है और इसे किसी भी पॉलिसी द्वारा सुधारा नहीं जा सकता है।

4. परिणाम और निष्कर्ष

सैद्धांतिक: रिग्रेट बाउंड्स एक पारदर्शी ट्रेडऑफ़ प्रकट करते हैं। जब हेटेरोजेनिटी स्पार्स ( $s_0 \ll d$ ) होती है, तो ट्रांसफर महत्वपूर्ण लाभ देता है। जब हेटेरोजेनिटी डिफ्यूज ( $s_0 \approx d$ ) होती है, तो ट्रांसफर के लाभ संतृप्त (saturate) हो जाते हैं और बायस टर्म हावी हो जाता है।
संख्यात्मक प्रयोग (Numerical Experiments):
- त्वरण (Acceleration): TJAP लगातार "टारगेट-ओनली" लर्निंग (CAP) और "नेइव पूलिंग" (हेटेरोजेनिटी को अनदेखा करने वाली) से बेहतर प्रदर्शन करता है।
- मजबूती (Robustness): जैसे-जैसे स्रोत बाजारों की संख्या ( $H$ ) बढ़ती है, रिग्रेट व्यवस्थित रूप से कम होता है, जो $1/\sqrt{1+H}$ स्केलिंग की पुष्टि करता है।
- सुरक्षा (Safety): नेइव पूलिंग (बिना डीबायसिंग के सभी डेटा को एकत्रित करना) हेटेरोजेनिटी होने पर काफी अधिक रिग्रेट की ओर ले जाती है, जो बायस-करेक्शन स्टेप की आवश्यकता की पुष्टि करती है।
- जॉइंट ऑप्टिमाइजेशन: TJAP केवल प्राइसिंग-ओनली बेसलाइन्स से बेहतर प्रदर्शन करता है, जो असॉर्टमेंट और कीमतों को संयुक्त रूप से अनुकूलित करने के महत्व को रेखांकित करता है।

5. महत्व

यह कार्य राजस्व प्रबंधन की एक महत्वपूर्ण समस्या के लिए एक सिद्धांतिक समाधान प्रदान करता है: ऐतिहासिक डेटा का उपयोग कैसे किया जाए जिससे संरचनात्मक अंतरों के कारण होने वाले "नेगेटिव ट्रांसफर" से बचा जा सके।

परिचालन अंतर्दृष्टि (Operational Insight): यह स्पष्ट करता है कि ट्रांसफर कब फायदेमंद है (स्थानीयकृत हेटेरोजेनिटी) और इसे सुरक्षित रूप से कैसे लागू किया जाए (एग्रीगेट-देन-डीबायस)।
सैद्धांतिक प्रगति: यह हाई-डायमेंशनल ट्रांसफर लर्निंग (सांख्यिकी) और कॉम्बिनेटोरियल बाधाओं के साथ ऑनलाइन लर्निंग (राजस्व प्रबंधन) के बीच के अंतर को पाटता है, जो जॉइंट असॉर्टमेंट-प्राइसिंग में ट्रांसफर की सीमाओं का पहला मिनिमैक्स-ऑप्टिमल लक्षण वर्णन प्रदान करता है।
व्यावहारिक प्रभाव: यह ढांचा उन डिजिटल प्लेटफॉर्मों और खुदरा विक्रेताओं के लिए एक मजबूत एल्गोरिदम प्रदान करता है जो मल्टी-रीजन या मल्टी-सेगमेंट वातावरण में कार्य करते हैं, जिससे क्रॉस-मार्केट बायस के जोखिमों को कम करते हुए तेजी से लर्निंग और उच्च राजस्व सक्षम होता है।