Resource-Constrained Adaptive Inference for Sequential Pricing

तकनीकी सारांश: अनुक्रमिक मूल्य निर्धारण के लिए संसाधन-बाधित अनुकूलन अनुमान (Resource-Constrained Adaptive Inference for Sequential Pricing)

समस्या का निरूपण (Problem Formulation)
यह शोध पत्र कठोर संसाधन बाधाओं (जैसे एयरलाइन सीटों या होटल के कमरों के लिए इन्वेंट्री सीमा) के तहत संचालित गतिशील मूल्य निर्धारण प्रणालियों में मांग संवेदनशीलता मापदंडों (demand sensitivity parameters) पर वैध सांख्यिकीय अनुमान लगाने की चुनौती को संबोधित करता है। मानक अनुकूलन मूल्य निर्धारण (adaptive pricing) में, एक नियंत्रक राजस्व को अधिकतम करने के लिए कीमतें निर्धारित करते हुए मांग को सीखता है। हालांकि, संसाधन बाधाएं अनुमान के लिए एक अद्वितीय विफलता मोड पेश करती हैं: शेष संसाधन की स्थिति एक विशिष्ट लक्षित मूल्य परिवेश (target price neighborhood) $[p^\sharp - h, p^\sharp + h]$ को पूरी तरह से अयोग्य (infeasible) बना सकती है।

पारंपरिक अनुकूलन अनुमान समस्याओं के विपरीत, जहाँ बाधा कम संभाव्यता (दुर्लभ दौरों) के कारण होती है जिससे अस्थिर इनवर्स-डेंसिटी वेट्स (inverse-density weights) बनते हैं, संसाधन बाधाएं सपोर्ट एक्सक्लूजन (support exclusion) का कारण बनती हैं। इस शासन (regime) में, लक्षित मूल्य केवल दुर्लभ रूप से ही नहीं देखा जाता; बल्कि वह एक महत्वपूर्ण अवधि के लिए व्यवहार्य सेट (feasible set) से बाहर हो जाता है। फलस्वरूप, लक्षित प्रभाव $\beta_j(p^\sharp)$ स्थानीय रूप से अप्रवर्तित (unobserved) हो जाता है। यह शोध पत्र औपचारिक रूपत: स्थापित करता है कि सपोर्ट एक्सक्लूजन के तहत, लॉग किए गए डेटा का कोई भी रीवेटिंग (reweighting) लक्षित मापदंड को पुनः प्राप्त नहीं कर सकता, क्योंकि वास्तविक प्रयोग में आवश्यक सपोर्ट का अभाव होता है। अनुमान का लक्ष्य एक उच्च-आयामी स्पार्स डिमांड मॉडल का एक निम्न-आयामी समन्वय (low-dimensional coordinate) है, जिसे उस डेटा से अनुमानित किया जाता है जो एक ऐसे नियंत्रक द्वारा उत्पन्न किया गया है जिसे राजस्व (regret) और संसाधन व्यवहार्यता को एक साथ प्रबंधित करना है।

कार्यप्रणाली (Methodology)
लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो नियंत्रण नीति (control policy) को सांख्यिकीय डिजाइन के साथ एकीकृत करता है, जिसमें "वास्तविक सूचना घड़ी" (realized information clock) को नाममात्र के समय क्षितिज (nominal time horizon) के बजाय शासी मात्रा के रूप में माना जाता है।

1. लक्ष्य-जागरूक मूल्य निर्धारण नियंत्रक (Target-Aware Pricing Controller):
   नियंत्रक एक बॉर्डर-अट्रैक्टेड री-सॉल्विंग (boundary-attracted re-solving) तंत्र का उपयोग करता है। यह बार-बार मूल्य निर्धारण समस्या के फ्लुइड एप्रोक्सिमेशन (fluid approximation) को हल करता है, लेकिन इसमें एक "टारगेट-रिजर्व गार्ड" (target-reserve guard) शामिल होता है। यह गार्ड सुनिश्चित करता है कि यदि एक लक्षित मूल्य बैंड व्यवहार्य है, तो नियंत्रक उस बैंड पर एक निरंतर लॉगिंग डेंसिटी बनाए रखेगा।

• प्रमाणित लॉगिंग (Certified Logging): नियंत्रक प्रत्येक दौर में एक "फुल-सपोर्ट सर्टिफिकेट" की जांच करता है। यदि पूरा लक्षित बैंड हल किए गए व्यवहार्य सेट के भीतर आता है, तो नियंत्रक उस बैंड के लिए एक ज्ञात, निरंतर डेंसिटी आवंटित करता है।
• रैंडमाइजेशन बजट (Randomization Budget): नियंत्रक अन्वेषण (exploration) सुनिश्चित करने के लिए एक रैंडमाइजेशन बजट $v_t \asymp t^{-\gamma}$ (या लॉगरिदमिक एंडपॉइंट पर $1/t$) आवंटित करता है। इस बजट का उपयोग तब किया जाता है जब संसाधन की स्थिति लक्षित बैंड के द्रव्यमान (mass) $\alpha^\sharp_t$ को खतरे में डालती है, ताकि उसे बनाए रखा जा सके।

2. सपोर्ट-जागरूक डिबायस्ड अनुमान (Support-Aware Debiased Estimation):
   अनुमानकर्ता एक स्थानीयकृत इनवर्स-प्रोबेबिलिटी वेटेड (IPW) डिबायस्ड निर्माण है, जिसे वैकल्पिक सेंटर्ड कंट्रोल वेरिएट्स (centered control variates) के साथ संवर्धित किया गया है।

• स्थानीयकृत IPW (Localized IPW): अनुमानकर्ता एक कर्नेल-वेटेड IPW स्कोर का उपयोग करता है, लेकिन केवल उन दौरों पर जहाँ फुल-सपोर्ट सर्टिफिकेट सक्रिय ($\chi^\sharp_t = 1$) है। क्लिप्ड सपोर्ट वाले दौरों को डायग्नोस्टिक्स के लिए लॉग किया जाता है लेकिन उन्हें रूट-इफेक्टिव-होराइजन (root-effective-horizon) अनुमान ब्लॉक से बाहर रखा जाता है।
• सेंटर्ड ऑग्मेंटेशन (CVD): एक वैकल्पिक चरण स्कोर से एक अनुमानित घटक को केवल इतिहास-आधारित रिग्रेशन (कंट्रोल वेरिएट्स) का उपयोग करके घटाता है। यह विचरण (variance) को कम करता है यदि अनुमानित स्कोर घटकों का अस्तित्व हो, लेकिन यह वहां सपोर्ट पैदा नहीं कर सकता जहाँ सपोर्ट मौजूद न हो।
• सूचना घड़ी (Information Clock): कॉन्फिडेंस इंटरवल की चौड़ाई एक वास्तविक सूचना घड़ी $I_{j,T} = N_T^2 / Q_{j,T}$ द्वारा नियंत्रित होती है, जहाँ $N_T$ प्रभावी क्षितिज (संसाधन समाप्ति के कारण स्टॉपिंग टाइम) है और $Q_{j,T}$ de-biased स्कोर का वास्तविक क्वाड्रेटिक वेरिएशन है।

3. डायग्नोस्टिक-गेटेड रिपोर्टिंग (Diagnostic-Gated Reporting):
   शोध पत्र एक "सपोर्ट-CI" प्रोटोकॉल पेश करता है। एक निश्चित-लक्ष्य कॉन्फिडेंस इंटरवल तभी रिपोर्ट किया जाता है जब वास्तविक डायग्नोस्टिक्स पास हो जाते हैं: पर्याप्त फुल-सपोर्ट दौर, पर्याप्त प्रभावी नमूना आकार (ESS), और सीमित मैक्स-स्कोर अनुपात। यदि संसाधन की स्थिति लक्षित सपोर्ट को ध्वस्त कर देती है, तो विधि एक निश्चित-लक्ष्य अंतराल रिपोर्ट करने से बचती है, और इसके बजाय एक समर्थित व्यवहार्य-मूल्य अनुमानित (supported feasible-price estimand) प्रदान करने की संभावना रखती है।

मुख्य योगदान (Key Contributions)

1. सपोर्ट-एक्सक्लूजन विफलता का औपचारिकीकरण: यह शोध पत्र सपोर्ट एक्सक्लूजन को एक विशिष्ट विफलता मोड के रूप में अलग करता है जहाँ संसाधन बाधाओं के कारण लक्षित मापदंड स्थानीय रूप से अन-आइडेंटिफिएबल (unidentifiable) हो जाता है, भले ही प्रत्येक वास्तविक एक्शन की एक लॉग डेंसिटी हो। यह सिद्ध करता है कि आवर्ती सपोर्ट के बिना, कोई भी समान रूप से सिकुड़ता हुआ कॉन्फिडेंस इंटरवल मौजूद नहीं हो सकता।
2. वास्तविक सूचना घड़ी (Realized Information Clock): यह एक नया मेट्रिक पेश करता है जो नाममात्र के क्षितिज के स्थान पर लक्षित-स्थानीय सूचना का उपयोग करता है। यह घड़ी लक्षित-बैंड द्रव्यमान $\alpha^\sharp_t$ और संसाधन स्टॉपिंग टाइम पर निर्भर करती है, जो दिखाता है कि बहुपद (polynomial) लक्ष्य द्रव्यमान $T^{1-\gamma}$ की सूचना वृद्धि प्रदान करता है, जबकि शुद्ध $1/t$ अन्वेषण शाखा बिना अतिरिक्त स्थानीय गति के निश्चित-लक्ष्य अंतराल को सिकुड़ने से रोकने में विफल हो सकती है।
3. इनफ्रेंस-अवेयर री-सॉल्विंग (Inference-Aware Re-solving): लेखक एक ऐसा नियंत्रक डिजाइन करते हैं जो लक्षित सपोर्ट को एक ऑनलाइन डिजाइन बाधा के रूप में मानता है। लक्षित सपोर्ट को प्रमाणित करके और निरंतर डेंसिटी लॉग करके, नियंत्रक नियंत्रण सूचना (कम रिग्रेट के लिए) और स्थानीय उत्तेजना सूचना (इनफरेंस के लिए) को अलग करता है।
4. रिग्रेट-इंफॉर्मेशन अकाउंटिंग (Regret-Information Accounting): शोध पत्र दर्शाता है कि रिग्रेट नियंत्रण और वैध अनुमान अलग-अलग घड़ियों का पालन करते हैं। लॉगरिदमिक एक्सपोजर कम रिग्रेट के लिए पर्याप्त हो सकता है, लेकिन यदि लक्षित द्रव्यमान बहुत तेज़ी से घटता है या संसाधन बाधाओं द्वारा बाहर कर दिया जाता है, तो यह निश्चित-लक्षत इनफरेंस के लिए अपर्याप्त रह सकता है।

परिणाम (Results)

• सैद्धांतिक गारंटी: आवर्ती पूर्ण समर्थन और स्पार्स न्युसेंस अनुमान की शर्तों के तहत, प्रस्तावित अनुमानकर्ता एक सामान्य वितरण (asymptotic normality) प्राप्त करता है जिसका विचरण वास्तविक सूचना घड़ी द्वारा नियंत्रित होता है। रिग्रेट सीमित है, जो अन्वेषण बजट और बाउंड्री-बफ़र लागतों के साथ स्केल करता है।
• प्रायोगिक सत्यापन:
  • कैलिब्रेशन: उन शासनों में जहाँ लक्षित सपोर्ट सुरक्षित रहता है (गैर-कोलैप्स), विधि अनुमानित दरों के साथ सिकुड़ते हुए कैलिब्रेटेड कॉन्फिडेंस इंटरवल (कवरेज $\approx 95\%$) उत्पन्न करती है।
  • सूचना घड़ी ढलान (Information Clock Slopes): प्रयोग पुष्टि करते हैं कि बहुपद लक्ष्य द्रव्यमान ($t^{-\gamma}$) $T^{1-\gamma}$ की सूचना वृद्धि की ओर ले जाता है, जबकि $1/t$ एंडपॉइंट एक सीमित सूचना घड़ी का परिणाम देता है, जो अंतराल के सिकुड़ने को रोकता है।
  • डायग्नोस्टिक एब्स्टेंशन (Diagnostic Abstention): उन कठिन बजट परिदृश्यों में जहाँ संसाधन की स्थिति लक्षित सपोर्ट को ध्वस्त कर देती है, डायग्नोस्टिक्स विफलता की सही पहचान करते हैं, और विधि एक निश्चित-लक्ष्य अंतराल रिपोर्ट करने के बजाय उससे बचती है, जिससे अमान्य अनुमान से बचा जा सके।
  • विचरण न्यूनीकरण (Variance Reduction): सेंटर्ड ऑग्मेंटेशन (CVD) उन शासनों में RMSE और अंतराल की चौड़ाई को कम करता है जहाँ अनुमानित स्कोर घटक मौजूद होते हैं, बशर्ते कि अंतर्निहित सपोर्ट स्थिर रहे।

महत्व और दावे (Significance and Claims)
शोध पत्र का दावा है कि संसाधन-बाधित वातावरण में वैध अनुमान को उस नियंत्रक से अलग नहीं किया जा सकता है जिसने डेटा उत्पन्न किया है। नियंत्रक न केवल यह निर्धारित करता है कि कौन सी कीमतें लाभदायक हैं, बल्कि यह भी कि कौन से मूल्य प्रभाव सांख्यिकीय रूप से दृश्यमान रहते हैं।

• संयुक्त डिजाइन (Joint Design): यह कार्य एक संयुक्त डिजाइन का तर्क देता जहाँ नियंत्रक स्पार्स इनफरेंस के लिए आवश्यक "स्थानीय प्रयोग" को सक्रिय रूप से संरक्षित करता है, न कि केवल एक पोस्ट-हॉक विश्लेषण के रूप में इनफरेंस को देखता है।
• शासन निर्भरता (Regime Dependence): गारंटी शासन-निर्भर है। उन कमी वाले शासनों में जहाँ लक्षित परिवेश वास्तविक पथ छोड़ देता है, विधि सूचना पतन की पहचान करती है और लक्षित मान को 'अन-सपोर्टेड' के रूप में रिपोर्ट करती है, बजाय इसके कि वह एक भ्रामक नाममात्र अंतराल लौटाए।
• पूर्व कार्य से भिन्नता: मानक अनुकूलन अनुमान या बैंडिट साहित्य के विपरीत, जहाँ एक्शन सेट उपलब्ध रहता है, यह कार्य इस बात पर प्रकाश डालता है कि संसाधन बाधाओं के तहत व्यवहार्यता (feasibility) स्वयं सांख्यिकीय डिजाइन का हिस्सा है। ओवरलैप की स्थिति केवल लॉगिंग पॉलिसी की विशेषता नहीं है, बल्कि नियंत्रित अवस्था (controlled state) का गुण है।

लेखक अपनी दक्षता के संबंध में विनम्रता बनाए रखते हैं, यह नोट करते हुए कि उनके परिणाम विशिष्ट सपोर्ट स्थितियों के तहत एक वैध अनुमान ढांचा प्रदान करते हैं, न कि सभी बाधित सेटिंग्स के लिए एक सामान्य मिनिमैक्स दक्षता सीमा। प्राथमिक योगदान इस तंत्र-स्तरीय समझ में है कि कैसे संसाधन बाधाएं सपोर्ट एक्सक्लूजन को प्रेरित करती हैं और एक ऐसा नियंत्रक डिजाइन करना है जो इसे कम करके वैध अनुमान को सक्षम बनाता है।