[논문 리뷰] Low-Rank Bandit Methods for High-Dimensional Dynamic Pricing

Jonas Mueller, Vasilis Syrgkanis외 1명|arXiv (Cornell University)|2018. 01. 30.

Advanced Bandit Algorithms Research참고 문헌 33인용 수 13

한 줄 요약

이 논문은 시간에 따라 변화하는 상호탄성의 저차원 구조를 가지는 비stationary 수요 모델 하에서 고차원 동적 가격 설정 문제를 해결하기 위해 저질서 벨리어드 알고리즘을 제안한다. 잠재적 제품 특징에 의해 생성되는 저차원 공간으로 가격 결정을 투영하고, 온라인 특이값 분해를 통해 이 공간을 학습함으로써, 방법은 $N$ 대신 본질적 질서 $d$ 에 비례하는 오차를 달성한다. 이는 고차원 환경에서 효율적인 수익 극대화를 가능하게 한다.

ABSTRACT

We consider dynamic pricing with many products under an evolving but low-dimensional demand model. Assuming the temporal variation in cross-elasticities exhibits low-rank structure based on fixed (latent) features of the products, we show that the revenue maximization problem reduces to an online bandit convex optimization with side information given by the observed demands. We design dynamic pricing algorithms whose revenue approaches that of the best fixed price vector in hindsight, at a rate that only depends on the intrinsic rank of the demand model and not the number of products. Our approach applies a bandit convex optimization algorithm in a projected low-dimensional space spanned by the latent product features, while simultaneously learning this span via online singular value decomposition of a carefully-crafted matrix containing the observed demands.

연구 동기 및 목표

• 비stationary이고 고차원적인 수요 모델 하에서 많은 수의 제품($N$)이 존재하는 동적 가격 설정 문제를 해결하기 위해.
• 시간에 따라 변화하는 상호탄성의 저질서 구조를 활용하여 온라인 가격 설정에서 오차를 감소시키기 위해.
• 정적 조건이나 수요 모델의 완전한 지식이 없이도 변화하는 수요 패턴에 적응할 수 있는 알고리즘을 설계하기 위해.
• 수요 모델의 본질적 질서 $d$ 에만 의존하고 $N$ — 제품 수 — 에는 의존하지 않는 오차 경계를 달성하기 위해.
• 伝통적 벨리어드 방법이 $\Omega(\sqrt{N})$ 오차를 겪는 환경에서, 공격적인 수요 모델에 대해 증명 가능한 공격적 오차 보장을 제공하기 위해.

제안 방법

• 수요를 $\mathbf{q}_t = \mathbf{c}_t - \mathbf{B}_t\mathbf{p}_t + \bm{\epsilon}_t$ 로 모델링하며, 여기서 $\mathbf{B}_t$ 는 시간에 따라 변화하는 상호탄성을 캡처한다.
• 시간에 따라 변화하는 $\mathbf{B}_t$ 와 $\mathbf{c}_t$ 가 잠재적 제품 특징으로 이루어진 저차원 부분공간에 속해 있다고 가정하며, 이는 행렬 $\mathbf{U} \in \mathbb{R}^{N \times d}$ 로 표현된다.
• 가격 결정을 이 저차원 특징 공간 $\mathbf{U}^T\mathbf{p}$ 에 투영하여, 이 공간에서 온라인 벨리어드 볼록 최적화를 수행한다.
• 관측된 수요 $\mathbf{q}_t$ 로부터 구성된 행렬의 온라인 특이값 분해를 통해 동시에 부분공간 $\mathbf{U}$ 를 학습한다.
• 추정된 부분공간 $\widehat{\mathbf{U}}$ 에서 투영된 벨리어드 알고리즘을 사용하여 오차를 최소화하며, 최적의 가격으로 수렴함을 보장한다.
• 이론적 분석을 통해, 노이즈와 모델 변화에 대한 온건한 가정 하에 오차가 본질적 질서 $d$ 에만 의존하고 $N$ 에는 의존하지 않음을 확인한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 비stationary한 방식으로 수요 탄성의 변화가 있는 많은 제품이 있는 동적 가격 설정 문제를 효율적으로 해결할 수 있는가?
• RQ2 시간에 따라 변화하는 수요 변화의 저질서 구조를 활용하면 제품 수 $N$ 에 의존하지 않는 오차 경계를 달성할 수 있는가?
• RQ3 온라인 특이값 분해와 벨리어드 최적화를 효과적으로 조합하여 잠재적 특징 공간과 최적의 가격을 동시에 학습할 수 있는가?
• RQ4 공격적인 수요 모델 하에서 $N$ 에 비례하지 않고 $o(T)$ 오차를 달성하는 것은 가능한가?
• RQ5 큰 $N$ 의 경우, 제안된 방법의 성능은 표준 벨리어드 알고리즘에 비해 오차 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 알고리즘은 저질서 가정 하에 수요 모델의 본질적 질서 $d$ 에 비례하는 오차를 달성하며, 제품 수 $N$ 에는 비례하지 않는다.
• 오차 경계는 $N$ 에 대해 증명적으로 독립적이며, 이는 $N \gg d$ 인 고차원 동적 가격 설정에 매우 적합하다. 이는 기존의 표준 벨리어드 방법이 가지는 $\Omega(\sqrt{N})$ 경계에 비해 상당한 개선이다.
• 이 방법은 온라인 벨리어드 볼록 최적화와 온라인 SVD 를 조합하여 잠재적 특징 공간을 학습하고 실시간으로 가격을 최적화한다.
• 이론적 분석을 통해 오차가 worst-case 에서 $O(\sqrt{T})$ 이지만, 저질서 구조 덕분에 $N$ 에 대한 의존성이 제거됨을 확인하였다.
• 실험 결과는 알고리즘이 $N$ 이 클 경우에도 실용적으로 잘 작동함을 보여주며, 효율적인 저차원 투영 덕분이다.
• 이 방법은 수요 매개변수의 공격적인 변화에 대해 강건하며, 민감한 가격 설정 응용 분야에서 매우 중요한 강력한 증명 가능한 보장을 제공한다.