Resource-Constrained Adaptive Inference for Sequential Pricing

技術要約：逐次価格設定におけるリソース制約下のアダプティブ推論

問題定式化
本論文は、厳しいリソース制約（航空機の座席やホテルの客室の在庫制限など）の下で動作する動的価格設定システムにおいて、需要感度パラメータに対して妥当な統計的推論を行う際の課題に取り組んでいる。標準的なアダプティブ・プライシングでは、コントローラーは収益を最大化するように価格を設定しながら需要を学習する。しかし、リソース制約は、推論における特有の失敗モードを導入する。すなわち、残存リソースの状態によって、特定のターゲット価格近傍 $[p^\sharp - h, p^\sharp + h]$ が完全に実行不可能になる可能性がある。

従来の適応的推論の問題が、低プロペンシティ（訪問頻度の低さ）による不安定な逆密度重みの問題を扱うのに対し、リソース制約は**サポート除外（support exclusion）**を引き起こす。このレジームでは、ターゲットとなる価格は単に訪れる頻度が低いだけでなく、一定期間、実行可能な集合から除去されてしまう。その結果、ターゲット効果 $\beta_j(p^\sharp)$ は局所的に観測不能となる。本論文は、サポート除外の下では、ログデータの再重み付けを行ってもターゲット・パラメータを回収することはできないことを、実現された実験が（推論に必要な）必要なサポートを欠いているという理由から形式化している。推論の対象は、収益（後悔/regret）とリソースの実現可能性を同時に管理しなければならないコントローラーによって生成されたデータから推定される、高次元で疎な需要モデルの低次元座標である。

手法
著者らは、制御ポリシーと統計的設計を統合し、「実現された情報クロック（realized information clock）」を名目上の時間地平ではなく、推論を支配する量として扱うフレームワークを提案している。

1. ターゲット意識型プライシング・コントローラー:
   コントローラーは、**境界吸引型再解決（boundary-attracted re-solving）**メカニメントを採用する。これは、価格問題の流体近似を繰り返し解くものであるが、そこに「ターゲット・リザーブ・ガード（target-reserve guard）」を組み込んでいる。このガードは、もしターゲット価格帯が実行可能であれば、コントローラーがその帯域に対して連続的なロギング密度を維持することを保証する。

   • 認定ロギング（Certified Logging）: コントローラーは各ラウンドで「フルサポート証明書（full-support certificate）」をチェックする。ターゲット帯域全体が解決された実行可能集合内に存在する場合、コントローラーはその帯域に対して既知の連続的な密度を割り当てる。
   • ランダム化予算: コントローラーは、探索を確実にするために、ランダム化予算 $v_t \asymp t^{-\gamma}$ （または対数端点における $1/t$）を割り当てる。この予算は、リソース状態がターゲットを排除しようとする際に、ターゲット帯域の質量 $\alpha^\sharp_t$ を維持するために使用される。

2. サポート意識型デバイアス推定:
   推定器は、オプションのセンタリング制御変数を付加した、局所的な逆確率重み付け（IPW）デバイアス構成である。

   • 局所的IPW: 推定器はカーネル重み付きIPWスコアを使用するが、これはフルサポート証明書が有効な（$\chi^\sharp_t = 1$）ラウンドにのみ適用される。クリップされたサポートを持つラウンドは診断用にログに記録されるが、有効ホライゾン推定ブロックからは除外される。
   • センタリング増強（CVD）: オプションのステップとして、履歴のみの回帰（制御変数）を用いてスコアから予測可能な成分を減算する。これにより、予測可能なスコア成分が存在する場合に分散を減少させるが、存在しない場所にサポートを創出することはできない。
   • 情報クロック: 信頼区間の幅は、実現された情報クロック $I_{j,T} = N_T^2 / Q_{j,T}$ によって支配される。ここで $N_T$ は有効ホライゾン（リソース枯渇による停止時間）であり、$Q_{j,T}$ は補正されたスコアの実現された二次変動である。

3. 診断ゲート付き報告（Diagnostic-Gated Reporting）:
   本論文は「サポート-CI」プロトコルを導入している。固定ターゲットの信頼区間は、実現された診断結果（十分なフルサポート・ラウンド、十分な有効サンプルサイズ（ESS）、および限定された最大スコア比）がパスした場合にのみ報告される。リソース状態によってターゲットのサポートが崩壊した場合、この手法は固定ターゲットの区間報告を控えるか、あるいはサポートされた実行可能な価格の推定量を提供する。

主な貢献

1. サポート除外の失敗の形式化: 本論文は、すべての実現されたアクションにログ密度が存在していたとしても、リソース制約によってターゲット・パラメータが局所的に識別不能になる「サポート除外」を、明確に異なる失敗モードとして分離した。サポートが再帰的に存在しない限り、一様に縮小する信頼区間は存在しないことを証明している。
2. 実現された情報クロック: 名目上のホライゾンをターゲット局所の情報に置き換える新しい精度指標を導入した。このクロックはターゲット帯域の質量 $\alpha^\sharp_t$ とリソース停止時間に依存し、多項式的なターゲット質量は多項式的な収束率をもたらすが、純粋な $1/t$ 探索ブランチは、追加的な局所的移動がない限り、固定ターゲットの区間を縮小させることができないことを示している。
3. 推論意識型再解決: ターゲットのサポートをオンライン設計制約として扱うコントローラーを設計した。ターゲットのサポートを認定し、連続的な密度をロギングすることで、コントローラーは制御情報（低レグレットのため）と局所的励起情報（推論のため）を分離する。
4. レグレットと情報の会計: レグレット制御と妥当な推論は異なるクロックに従うことを示している。対数的な露出は低レグレットには十分かもしれないが、ターゲット質量が急速に減衰したり、リソース制約によって排除されたりする場合、固定ターゲットの推論には不十分なままとなる。

結果

• 理論的保証: 再帰的なフルサポートと疎な摂動推定の条件下で、提案された推定器は、実現された情報クロックによって支配される漸近正規性を達成する。レグレットは、探索予算と境界バッファのコストに応じてスケーリングし、制限される。
• 実験的検証:
  • 較正（Calibration）: ターゲットのサポートが維持されている（非崩壊）レジームにおいて、本手法は予測された速度で幅が縮小する較正された信頼区間（カバレッジ $\approx 95\%$）を生成する。
  • 情報クロックの傾き: 実験により、多項式的なターゲット質量（$t^{-\gamma}$）は $T^{1-\gamma}$ の情報成長をもたらすが、$1/t$ 端点は限定された情報クロックをもたらし、区間の縮小を防ぐことが確認された。
  • 診断による棄却: リソース状態がターゲットのサポートを崩壊させるタイトな予算シナリオにおいて、診断機能は失敗を正しく特定し、固定ターゲットの区間報告を控えることで、無効な推論を回避した。
  • 分散減少: センタリング増強（CVD）は、基礎となるサポートが安定している限り、予測可能なスコア成分が存在するレジームにおいてRMSEと区間幅を減少させる。

意義と主張
本論文は、リソース制約下での妥当な推論は、データを生成したコントローラーから切り離すことはできないと主張している。コントローラーは、どの価格が収益を生むかだけでなく、どの価格効果が統計的に可視であり続けるかを決定する。

• 共同設計: 本研究は、推論を収益最大化ポリシーの事後的解析として扱うのではなく、コントローラーが疎な推論に必要な「局所的実験」を能動的に維持するという、共同設計の重要性を説いている。
• レジーム依存性: 保証はレジームに依存する。ターゲット近傍が実現経路から外れる希少レジームにおいて、本手法は情報の崩壊を正しく特定し、不適切な名目区間を返すのではなく、ターゲットがサポートされていないことを報告する。
• 先行研究との違い: アクションセットが利用可能な標準的な適応的推論やバンディットの文献とは異なり、本研究は、リソース制約下では「実現可能性（feasibility）」自体が統計的設計の一部であることを強調している。オーバーラップ条件は、単なるロギングポリシーの特性ではなく、制御された状態の特性である。

著者らは、自らの結果が、すべての制約設定に対する一般的なミニマックス効率界を提供するものではなく、特定のサポート条件下における妥当な推論フレームワークを提供するものであることを述べ、謙虚な姿勢を維持している。主要な貢献は、リソース制約がいかにサポート除外を誘発するかというメカニズムレベルの理解と、これを緩和して妥当な推論を可能にするコントローラーの設計である。