[논문 리뷰] Pricing Query Complexity of Multiplicative Revenue Approximation

Wei Tang, Yifan Wang외 1명|arXiv (Cornell University)|2026. 02. 11.

Auction Theory and Applications인용 수 0

한 줄 요약

이 논문은 단일 구매자의 미지수 가치 분포하에서 규모 힌트(하나의 샘플 또는 값 범위)를 이용하여 multiplicative 수익 근사치를 달성하기 위한 가격 책정 쿼리 복잡도를 연구합니다. 규칙적 분포, MHR 분포, 일반 분포에 대해 거의 타이트한 경계(bounds)를 제공합니다.

ABSTRACT

We study the pricing query complexity of revenue maximization for a single buyer whose private valuation is drawn from an unknown distribution. In this setting, the seller must learn the optimal monopoly price by posting prices and observing only binary purchase decisions, rather than the realized valuations. Prior work has established tight query complexity bounds for learning a near-optimal price with additive error $\varepsilon$ when the valuation distribution is supported on $[0,1]$. However, our understanding of how to learn a near-optimal price that achieves at least a $(1-\varepsilon)$ fraction of the optimal revenue remains limited. In this paper, we study the pricing query complexity of the single-buyer revenue maximization problem under such multiplicative error guarantees in several settings. Observe that when pricing queries are the only source of information about the buyer's distribution, no algorithm can achieve a non-trivial approximation, since the scale of the distribution cannot be learned from pricing queries alone. Motivated by this fundamental impossibility, we consider two natural and well-motivated models that provide "scale hints": (i) a one-sample hint, in which the algorithm observes a single realized valuation before making pricing queries; and (ii) a value-range hint, in which the valuation support is known to lie within $[1, H]$. For each type of hint, we establish pricing query complexity guarantees that are tight up to polylogarithmic factors for several classes of distributions, including monotone hazard rate (MHR) distributions, regular distributions, and general distributions.

연구 동기 및 목표

• 미수익 보장을 만족시키는 multiplicative 수익 보장 하의 가격 책정 쿼리 복잡도 문제를 동기 부여하고 형식화한다.
• 스케일 힌트 모델(하나의 샘플 및 값 범위)을 도입하여 스케일 정보가 없을 때의 불가능성 결과를 극복한다.
• 규칙적, MHR, 일반 분포에 대해 두 힌트 설정에서 거의 타이트한 상하 한계를 도출한다.
• 규칙적 및 MHR 분포에 적용 가능한 통합 학습 알고리즘을 개발한다.
• 하나의 샘플 또는 알려진 값 범위가 쿼리 복잡도와 달성 가능한 수익 보장에 미치는 영향을 분석한다.

제안 방법

• 판매자-구매자 상호작용을 i.i.d. 평가분포 F로부터 샘플링된 값의 가격 고시와 이진 구매 결정 관찰로 모델링한다.
• 수익 RevF(p)=p(1−F(p))를 정의하고 Rev(p^opt)에 대한 곱근수익 근사를 통해 최적화한다.
• 정규 분포(및 MHR 분포)에 대해 수익 곡선의 부분-볼록성/단봉성(haf-concavity/unimodality)을 활용하는 통합 학습 절차를 제안하는 Algorithm 1를 제시한다.
• 지배확률 γ를 하한으로 하는 승리 확률 조건으로 남은 낮은 판매 영역을 가지치는 기하적 가격 격자에서 3진 탐색과 유사한 접근방식을 사용한다.
• 일반적인 쿼리 복잡도 상한 O(γ^{−1} ε^{−2} log(1/δ) log^4(r/(εℓ)))를 제시하고 분포 클래스 및 힌트 모델에 따라 정교화한다.
• 정규 분포에 대해 단일 샘플 힌트를 사용해 (1−ε) 근사를 보장하기 위한 검색 구간을 찾는 환원(Lemma 4.3)을 도입한다.
• 일반 분포의 경우 단일 샘플 힌트가 충분하지 않으므로 값 범위 힌트로 초점을 옮기고 타이트한 경계를 제시한다.

실험 결과

연구 질문

• RQ1 미지의 가치 분포 하에서 (1−ε) 곱근 수익 근사를 달성하기 위한 가격 쿼리 복잡도는 얼마나 되는가?
• RQ2 스케일 힌트(하나의 샘플 대 값 범위)가 규칙적 분포, 단조 위험률(MHR) 분포, 일반 분포의 쿼리 복잡도에 어떤 영향을 미치는가?
• RQ3 이 두 힌트에서 통합 알고리즘이 규칙적 및 MHR 분포를 효율적으로 처리할 수 있는가?
• RQ4 특히 규칙적 분포에서 하나의 샘플 힌트와 값 범위 힌트 간의 근사 및 쿼리 복잡도 차이는 무엇인가?
• RQ5 스케일 정보 없이의 곱근 수익 설정에서의 근본적인 불가능성 결과는 무엇인가?

주요 결과

• 값 범위 힌트 하에서 규칙적 분포는 Õ(ε^{−2} H) 쿼리의 거의 타이트한 경계와 Ω(ε^{−2} H) 하한을 허용한다.
• 하나의 샘플 힌트 하에서 규칙적 분포는 Õ(ε^{−3}) 쿼리와 Ω(ε^{−3}) 하한이 필요하며, 다항 로그 요인에 한해 샘플 접근 기준과 일치한다.
• MHR 분포의 경우 값 범위 힌트와 하나의 샘플 힌트 모두 Õ(ε^{−2}) 쿼리를 제공하며 상응하는 Ω(ε^{−2}) 하한을 따른다.
• 일반 분포의 경우 값 범위 힌트는 Õ(ε^{−3} H) 쿼리와 Ω(ε^{−3} H) 하한을 제공하는 반면 하나의 샘플 힌트는 스케일 해결에 불충분하다.
• 논문은 두 분류 규칙에 모두 적용 가능한 다목적 알고리즘(Algorithm 1)을 제시하여 다항 로그 오버헤드와 γ-적합한 가지치기 단계를 통해 거의 최적의 수익을 달성한다.
• 주요 기술적 기여는 단일 샘플 힌트를 스케일 보장을 보존하는 검색 구간 위치화로 환원하는 방법(Lemma 4.3)이다.