技術的概要：ニューラル需要ポテンシャルによる積分可能弾力性

問題定義

多製品小売価格設定において、中心的な課題は、大規模なスケールで安定し、再現可能かつ経済的に妥当な価格弾力性を学習することである。弾力性は需要マップの微分であるため、推定された需要曲面における小規模な不規則性が、弾力性推定値において大きく、ノイズの多い、あるいは経済的に妥当性のない変動として増幅される可能性がある。この問題は、弾力性行列がすべての在庫管理単位（SKU）を結合し、相関する価格設定やプロモーション活動により交差価格効果がしばしば弱く、不均質であり、観測データから識別が困難である多製品設定においてさらに悪化する。

既存のアプローチはトレードオフに直面している：

• 古典的構造モデル（例：AIDS、QUAIDS）は、複雑で状態依存の代替パターンを捉えられない可能性のある、硬直的な関数形を課す。
• 標準的な機械学習モデル（例：勾配ブースティング、汎用的なニューラルネットワーク）は、しばしば弾力性を適合させた予測子の事後微分として扱う。柔軟性はあるが、これらのモデルは、結果として得られる弾力性場が単一の、全球的に整合的な需要関数に対応することを保証しない。弾力性が直接パラメータ化されるか、不規則な曲面から数値的に導出される場合、モデルは局所的には妥当な弾力性を生成する可能性があるが、それは全球的に積分可能ではなく、経路依存の需要再構成につながる。

手法：積分可能文脈依存需要ネットワーク（ICDN）

著者は、「需要第一」のニューラルアーキテクチャである**積分可能文脈依存需要ネットワーク（ICDN）**を提案する。弾力性を直接モデル化するのではなく、ICDN は、対数需要を対数価格の滑らかで文脈条件付きの関数として学習する。その後、弾力性は、この学習された曲面からの正確な解析微分として得られ、数学的積分可能性（すなわち、ポテンシャル関数の存在）が保証される。

コアアーキテクチャ

1. 需要第一の定式化：
   モデルは、対数需要 $y(u, x)$ を対数価格 $u = \log p$ と文脈的共変量 $x$（店舗、時間、プロモーション、製品メタデータ）の関数として定義する。弾力性行列 $E$ は、この曲面のヤコビアンとして定義される：$E_{ij} = \partial y_i / \partial u_j$。構成上、曲面が十分に滑らかであれば、弾力性場は積分可能である。

2. 構造化された価格表現：
   汎用的な多層パーセプトロンを使用する代わりに、ICDN は需要曲面を解釈可能な構成要素に分解する：

   • 線形成分： 自己価格（$\beta_{ii} u_i$）および指向性交差価格（$\beta_{ij} u_j$）効果のための局所的に線形な対数 - 対数項。
   • 非線形スプライン補正： 対数価格に適用される製品固有の切断べき 3 乗スプライン $B_i(u_i)$。これにより、各 SKU の経験的サポートに固有の価格領域において、需要の傾きと曲率が変化する。
   • スプライン - スプライン相互作用： 項 $B_i(u_i)^\top U^{(ij)}(x) B_j(u_j)$ は、製品 $i$ と $j$ 間の非線形な相対価格ポジショニング効果を捉える。

3. 文脈条件付けと疎性：

   • トークン化エンコーディング： 各 SKU は、文脈トークン（店舗、季節性、ライフサイクルなど）を処理する共有エンコーダを介して潜在ベクトル $h_i$ にマッピングされる。
   • 指向性相互作用： 交差価格パラメータは、順序付きペア $(h_i, h_j)$ から生成され、非対称効果（$E_{ij} \neq E_{ji}$）を可能にする。
   • 疎性アテンション： 高次元設定でのスケーラビリティを確保するため、疎な近隣選択器は、スケーリングドットプロダクトアテンションとメタデータボーナスを使用して、各 SKU に関連する競合他社の小さなセットを識別する。これにより、交差価格相互作用の複雑さが $O(n^2)$ から $O(nk)$ に削減される。

4. 解析微分：
   スプライン基底が閉形式の微分を持つため、モデルは密な数値ヤコビアンまたはヘッシアン評価に依存することなく、弾力性を解析的に計算する。これにより、計算上の実行可能性と透明性が確保される。

訓練と正則化

訓練目的は、予測精度と経済的規則性のバランスを取る：

• ロバストな適合： 外れ値と異分散性に対処するため、対数需要に対して Huber 損失を使用する。
• 平滑化ペナルティ： 需要曲面における人工的な振動を防ぐため、自己価格応答の 2 階微分（曲率）の二乗をペナルティ化する。
• 弾力性帯ペナルティ： 推定される弾力性にソフト制約を課す。自己価格弾力性は負（$[-5, 0]$ 以内）になるように促され、交差価格弾力性は異常に大きくなること（$[-1, 1]$ 以内）が抑制される。これはビール需要の経験的事前分布を反映している。
• 符号制約： 線形自己価格係数は softplus 変換を介して非正に制約されるが、非線形項により総弾力性は局所的に変動しうる。

主要な貢献

1. 需要第一の原則： 弾力性推定を滑らかな需要曲面の学習問題として定式化し、導出された弾力性が数学的に積分可能で全球的に整合的であることを保証する。
2. 構造化ニューラルアーキテクチャ（ICDN）： 明示的な価格基底、解析的スプライン微分、疎で指向性の交差価格相互作用を組み合わせたモデルを導入し、高次元の小売パネルに対して実用的にする。
3. 解析的実行可能性： スプライン基底の閉形式微分を活用して弾力性を効率的に計算し、密な行列に対する汎用的な自動微分の計算ボトルネックを回避する。
4. 文脈的異質性： SKU 固有の条件付けと疎性アテンションを実装し、対称性を課すことなく、異質的で方向性のある代替パターンを捉える。

実証結果

著者は、ビールカテゴリの Dominick's Finer Foods スキャナデータセット上で ICDN を評価し、古典的な指向性対数 - 対数 OLS ベンチマークと比較した。

• 予測性能： ICDN は、優れたアウトオブサンプル汎化性能を示す。5 つの時間的検証フォールド全体において、ICDN は、ベンチマークと比較して、一致する店舗-SKU-フォールドのトリプレットの大多数で、より高い $R^2$ とより低い平均絶対誤差（MAE）および二乗平均平方根誤差（RMSE）を達成する。
• 弾力性の安定性：
  • 自己価格： ICDN は、はるかに安定した弾力性推定値を生成する。ブートストラップ再サンプリングにおいて、ICDN はより狭い信頼区間（中央値幅 1.018 対ベンチマークの 2.683）とより低い標準偏差をもたらす。また、下方に傾く需要という経済的事前分布（100% の負の推定値対ベンチマークの 99.1%）に厳密に準拠する。
  • 交差価格： 交差価格効果は本質的にノイズが多いが、ICDN はより狭い信頼区間とより低い時間的分散を伴う、より再現性の高い推定値を生成する。特に、ICDN は、代替と一貫した、主に正の交差価格弾力性（ペアの 91%）を生成するのに対し、ベンチマークは混合したシグナルを示す。
• 不確実性診断： 論文は、ICDN が安定性を向上させる一方で、不確実性の較正は不完全であると指摘している。自己価格区間はわずかに保守的（オーバーカバレッジ）であり、一方、交差価格区間はフォールドベースの変動に対してアンダーカバレッジを示す。これは、推定値がより安定しているが、真の因果的不確実性を完全に捉えているわけではないことを示唆している。

意義と主張

本論文は、ICDN が、深層学習の柔軟性と経済理論の構造的要件の間のギャップを埋める、小売需要モデリングに対する原理的なアプローチを提供すると主張している。弾力性を単一の滑らかな需要ポテンシャルの微分として扱うことで、このモデルは、弾力性を独立した局所的对象として学習することの不一致を回避する。

著者は、その結果が観測データに基づいており、価格介入の因果的識別として解釈されるべきではないことを強調している。代わりに、貢献は、シナリオシミュレーション、収益最適化、価格診断などの運用タスクにより適した、より安定し、再現可能で、経済的に整合的な弾力性推定値を生成することにある。このモデルは、下方に傾く需要などのビジネス事前分布を訓練目的に直接埋め込むフレームワークを提供し、学習された需要曲面が解釈可能であり、ノイズに対して堅牢であることを保証する。