तकनीकी सारांश: बहुविध राजस्व के साथ मिनिमैक्स-इष्टतम अर्ध-प्राचलिक (Semiparametric) प्रासंगिक गतिशील मूल्य निर्धारण

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र एक परिमित क्षितिज $T$ पर प्रासंगिक गतिशील मूल्य निर्धारण (contextual dynamic pricing) की समस्या को संबोधित करता है। प्रत्येक अवधि $t$ में, एक विक्रेता एक कोवेरिएट वेक्टर $x_t \in \mathbb{R}^d$ (जो ग्राहक, उत्पाद या बाजार की विशेषताओं का प्रतिनिधित्व करता है) देखता है और एक मूल्य $p_t$ निर्धारित करता है। इसके बाद विक्रेता एक सीमित खरीद मात्रा $y_t \in [0, D]$ देखता है, जो बाइनरी, असतत (discrete), या निरंतर (continuous) हो सकती है।

मुख्य चुनौती मांग मॉडल (demand model) में निहित है, जो अर्ध-प्राचलिक (semiparametric) और आकार-मुक्त (shape-free) है:

• अव्यक्त मूल्यांकन (Latent Valuation): ग्राहक के मूल्यांकन को $v_t = x_t^\top \theta^* + \epsilon_t$ के रूप में मॉडल किया गया है, जहाँ $\theta^*$ एक अज्ञात रैखिक पैरामीटर है और $\epsilon_t$ एक अज्ञात वितरण वाला अज्ञात बाजार झटका (market shock) है।
• मांग प्रतिक्रिया (Demand Response): अपेक्षित मांग, सरप्लस (surplus) $v_t - p_t$ का एक फलन है। विशेष रूप रूप से, $E[y_t | G_t] = g(p_t - x_t^\top \theta^*)$, जहाँ $g$ एक अज्ञात प्रेरित लिंक फंक्शन (induced link function) है।
• नियमितता (Regularity): माना जाता है कि प्रेरित लिंक $g$, हॉल्डर स्मूथनेस क्लास $H(\beta, L_g)$ से संबंधित है, जहाँ $\beta \ge 1$ है।
• प्रमुख विशेषाधिकार (Key Relaxations): पूर्ववर्ती कार्यों के विपरीत, यह ढांचा कोई अवतलता (concavity) या दृढ़ एकलमोदता (strong unimodality) आरोपित नहीं करता है। फलस्वरूप, राजस्व फलन $Rev(x, p) = p \cdot g(p - x^\top \theta^*)$ बहुविध (multimodal) हो सकता है, इसमें सपाट इष्टतम क्षेत्र (flat optimal regions) हो सकते हैं, और इसमें गैर-अद्वितीय मैक्सिमाइज़र (non-unique maximizers) हो सकते हैं।
• संदर्भ (Contexts): कोवेरिएट अनुक्रम $\{x_t\}$ मनमाना और संभावित रूप से आश्रित है, जिसके लिए किसी वितरण संबंधी धारणा (जैसे i.i.d.) की आवश्यकता नहीं है।

उद्देश्य संचयी पछतावा (cumulative regret) को कम करना है, जिसे इष्टतम मूल्य $p_t^*$ (जो अज्ञात $\theta^*$ और $g$ पर निर्भर करता है) के राजस्व और पोस्ट किए गए मूल्य के बीच के अंतर के रूप में परिभाषित किया गया है।

2. कार्यप्रणाली: पायलट-सुधारित लेयर्ड डिसीजन-पार्टीशनिंग (LDP)

लेखक एक पायलट-सुधारित लेयर्ड डिसीजन-पार्टीशनिंग (LDP) नीति प्रस्तावित करते हैं। यह दृष्टिकोण पैरामीट्रिक अनुमान, नॉन-पैरामीट्रिक लर्निंग और अनुकूली नमूनाकरण (adaptive sampling) के बीच परस्पर क्रिया को संभालने के लिए तीन युग्मित तंत्रों को एकीकृत करता है।

A. अनुकूली दिशात्मक पायलट अनुमान (Adaptive Directional Pilot Estimation)

अज्ञात रैखिक मूल्यांकन पैरामीटर $\theta^*$ का अनुमान लगाने के लिए, नीति एक दिशात्मक पायलट मॉड्यूल का उपयोग करती है।

• $\theta^*$ का अनुमान यूक्लिडियन नॉर्म में समान रूप से करने के बजाय, नीति वर्तमान में देखे गए कोवेरिएट दिशा के साथ केवल अदिश सूचकांक (scalar index) $x_t^\top \theta^*$ को प्रमाणित करती है।
• यह अनबायस्ड (unbiased) अनुमान $\hat{\theta}_t$ प्राप्त करने के लिए यूनिफॉर्म-प्राइस एक्सप्लोरेशन ($p_t \sim \text{Unif}[0, B]$) का उपयोग करता है।
• एक "गेट" तंत्र वर्तमान दिशा के अनिश्चितता (लीवरेज स्कोर) की जांच करता है। यदि अनिश्चितता एक लक्षित सटीकता $\eta$ से अधिक हो जाती है, तो नीति अतिरिक्त पायलट अन्वेषण को ट्रिगर करती है; अन्यथा, यह मुख्य मूल्य निर्धारण चरण की ओर बढ़ती है। यह कोवेरिएट अनुक्रम पर किसी भी वितरण संबंधी धारणा की आवश्यकता को समाप्त करता है।

B. पायलट-सुधारित स्थानीय बहुपद प्रतिगमन (Pilot-Corrected Local Polynomial Regression)

अर्ध-प्राचलिक मूल्य निर्धारण में एक बड़ी कठिनाई यह है कि पायलट अनुमान $\hat{\theta}_t$ की त्रुटियां $g$ के नॉन-पैरामीट्रिक अनुमान में फैल सकती हैं, जिससे अनुमान त्रुटि हावी हो सकती है।

• संवर्धित विशेषता (Augmented Feature): नीति कीमतों को अनुमानित सूचकांक के सापेक्ष दर्शाती है: $p_t = \hat{b}_t + w$, जहाँ $w$ एक अवशिष्ट क्रिया (residual action) है।
• सुधार (Correction): बिन एंकर के आसपास डिमांड लिंक $g$ का विस्तार करके और प्रथम-क्रम पायलट विस्थापन को बनाए रखकर, लेखक एक संवर्धित स्थानीय-बहुपद विशेषता $\psi_{t,j}(w)$ का निर्माण करते हैं।
• लिफ्टिंग (Lifting): यह विशेषता अग्रणी पायलट व्यवधान (leading pilot perturbation) को प्रतिगमन गुणांकों में अवशोषित कर लेती है। परिणामी अनुमानकर्ता स्थानीय डेरिवेटिव और $\theta^*$ के गुणनफल को मिश्रित गुणांकों (composite coefficients) के रूप में मानता है।
• परिणाम: यह युग्मित अनुमान समस्या को एक कॉन्वेक्स रिज प्रतिगमन (convex ridge regression) में बदल देता है। पायलट त्रुटि को एक द्वितीय-क्रम पद ($O(\eta^2)$) तक कम कर दिया जाता है, जिससे यह नॉन-पैरामीट्रिक अभिसरण दर को खराब करने से बच जाता है।

C. स्थायी लेबल और लेयर्ड ग्लोबल एलिमिनेशन (Permanent Labels and Layered Global Elimination)

अनुकूली डेटा संग्रह आमतौर पर मार्टिंगेल एकाग्रता (martingale concentration) के लिए आवश्यक पूर्वानुमेय नमूना संरचना को बाधित करता है।

• स्थायी लेबल (Permanent Labels): मांग $y_t$ देखने से पहले, नीति प्रत्येक अवलोकन को एक स्थायी लेयर (layer) ($s$) और बिन (bin) ($j$) लेबल असाइन करती है। भले ही बाद में पायलट अनुमान $\hat{\टी}_t$ में सुधार हो, ये लेबल कभी पुनर्गणना नहीं किए जाते। यह डेटासेट की पूर्वानुमेय संरचना को बनाए रखता है, जिससे सेल्फ-नॉर्मलाइज्ड एकाग्रता असमानताएं (self-normalized concentration inequalities) सक्षम होती हैं।
• लेयर्ड निर्णय लेना (Layered Decision Making): नीति एकल अनुमानित इष्टतम के आसपास स्थानीय होने के बजाय संपूर्ण अवशिष्ट डोमेन पर उम्मीदवार क्रियाओं को बनाए रखती है।
  • यह बढ़ते परिशुद्धता स्तरों ($s=1, 2, \dots$) के माध्यम से आगे बढ़ती है।
  • प्रत्येक लेयर पर, यह आशावादी राजस्व ऊपरी विश्वास सीमा (optimistic revenue UCB) की गणना करती है।
  • क्रियाओं को केवल तभी हटाया जाता है जब उनका आशावादी राजस्व सर्वश्रेष्ठ जीवित बेंचमार्क से सांख्यिकीय रूप से अलग हो।
  • यह ग्लोबल एलिमिनेशन रणनीति सुरक्षित करती है कि दूरस्थ राजस्व मोड और सपाट क्षेत्र समय से पहले खारिज न हों, जिससे यह सुनिश्चित होता है कि अनुमान शोर के कारण नीति संभावित रूप से इष्टतम मूल्य क्षेत्रों को गलत तरीके से त्याग न दे।

3. प्रमुख योगदान

1. उच्च-क्रम सुचारूता के साथ आकार-मुक्त मॉडल: यह शोध पत्र बिना अवतलता, दृढ़ एकलमोदता, या अद्वितीय इष्टतम मूल्य की धारणा के, सिंगल-इंडेक्स मॉडल के तहत मनमाने संदर्भ अनुक्रमों, सामान्य हॉल्डर सुचारूता ($\beta \ge 1$), और सीमित मात्रा फीडबैक को जोड़ता है।
2. नया एल्गोरिद्मिक ढांचा: प्रस्तावित पायलट-सुधारित LDP नीति निम्नलिखित पेश करती है:
   • एक ऑनलाइन दिशात्मक पायलट जो संदर्भों पर वितरण संबंधी धारणाओं से बचता है।
   • एक संवर्धित स्थानीय-बहुपद प्रतिनिधित्व जो प्रथम-क्रम पायलट त्रुटियों को ठीक करता है, जिससे एक नॉन-कॉन्वेक्स संयुक्त अनुमान समस्या एक कॉन्वेक्स समस्या में बदल जाती है।
   • स्थायी डेटा विभाजन जो अनुकूलित नमूनाकरण के तहत वैध सांख्यिकीय एकाग्रता को सक्षम बनाता है।
3. मिनिमैक्स इष्टतमता (Minimax Optimality): यह शोध पत्र क्षितिज (horizon) पर मिनिमैक्स निर्भरता को स्पष्ट करते हुए, कुल पछतावे (regret) के लिए एक मिलान ऊपरी और निचली सीमा स्थापित करता है।

4. मुख्य परिणाम

• ऊपरी सीमा (Upper Bound): निश्चित आयाम $d$ और समस्या के प्रिमिटिव्स के लिए, प्रस्तावित नीति निम्नलिखित पछतावा प्राप्त करती है:
  $$\text{Reg}(T) = \tilde{O}\left( T^{\frac{\beta+1}{2\beta+1}} \right)$$
  यह दर लॉगरिदमिक कारकों तक मान्य है और विचार किए गए सामान्य राजस्व वर्ग के लिए निचली सीमा से मेल खाती है।
• निचली सीमा (Lower Bound): लेखक एक स्थिर-संदर्भ, बाइनरी-डिमांड उपवर्ग के भीतर एक कठिन उदाहरण का निर्माण करते हैं। इस निर्माण में एक राजस्व फलन है जो पृथक क्षेत्रों में छिपे हुए व्यवधानों के साथ एक गैर-डेनरेट अंतराल (nondegenerate interval) पर सपाट है। यह सिद्ध करता है कि दृढ़ एकलमोदता के बिना, मिनिमैक्स दर वास्तव में $T^{\frac{\beta+1}{2\beta+1}}$ है।
• पूर्ववर्ती कार्यों से तुलना:
  • $\beta=1$ (लिप्सचिट्ज़) के लिए, यह दर बाइनरी फीडबैक के मौजूदा परिणामों से मेल खाती है लेकिन इसे मनमाने संदर्भों और सीमित मात्राओं तक विस्तारित करती है।
  • $\beta \ge 2$ के लिए, तेज़ दरें (जैसे $\beta=2$ के लिए $T^{3/5}$) प्राप्त करने वाले पिछले कार्य दृढ़ एकलमोदता पर निर्भर करते हैं। यह शोध पत्र दर्शाता है कि बिना दृढ़ एकलमोदता के, सीखने की कठिनाई बढ़ जाती है, और इष्टतम दर $T^{\frac{\beta+1}{2\beta+1}}$ बनी रहती है। निचली सीमा के पीछे का 'फ्लैट-ऑप्टिमम' निर्माण दिखाता है कि दृढ़ एकलमोदता एक संरचनात्मक स्थिति है जो सीखने की समस्या को मौलिक रूप से बदल देती है।

5. महत्व और दावे

यह शोध पत्र सामान्य, आकार-मुक्त राजस्व फलनों के लिए प्रासंगिक गतिशील मूल्य निर्धारण के लिए मिनिमैक्स-इष्टतम समाधान प्रदान करने का दावा करता है।

• संरचनात्मक धारणाओं को हटाना: दृढ़ एकलमोदता की धारणा को हटाकर, यह ढांचा उन वास्तविक परिदृश्यों में लागू होता है जहाँ राजस्व परिदृश्य बहुविध, सपाट या असममित हो सकते हैं, जो कई सैद्धांतिक मॉडलों में वर्जित हैं।
• पैरामीटर-फंक्शन कपलिंग को संभालना: "पायलट-सुधारित" दृष्टिकोण अज्ञात रैखिक पैरामीटरों और नॉन-पैमानिक फलनों के बीच परस्पर क्रिया को संभालने के लिए एक कम्प्यूटेशनल रूप से कुशल और सांख्यिकीय रूप से कठोर तरीका प्रदान करता है।
• संदर्भों के प्रति मजबूती: दिशात्मक पायलट तंत्र नीति को मनमाने, आश्रित कोवेरिएट अनुक्रमों के तहत कार्य करने की अनुमति देता है, जो i.i.d. धारणाओं की तुलना में एक महत्वपूर्ण विशेषाधिकार है।

लेखक निष्कर्ष निकालते हैं कि हालांकि उनका ढांचा मौजूद होने पर अनुकूल स्थानीय ज्यामिति (जैसे दृढ़ एकलमोदता) का लाभ नहीं उठाता है, फिर भी यह सामान्य मामले के लिए एक मजबूत, मिनिमैक्स-इष्टतम गारंटी प्रदान करता है। भविष्य के कार्य ऐसी आकार-अनुकूलित (shape-adaptive) नीतियां विकसित करने पर केंद्रित हो सकते हैं जो ऐसी संरचना मौजूद होने पर तेज़ दरें प्राप्त करें, जबकि अन्यथा मिनिमैक्स गारंटी बनाए रखें।