[논문 리뷰] Pricing with a Hidden Sample

Zhihao Gavin Tang, Yixin Tao외 1명|arXiv (Cornell University)|2026. 02. 20.

Auction Theory and Applications인용 수 0

한 줄 요약

본 논문은 단일 숨겨진 샘플을 사용하여 오목한 가격 정책을 구현하는 숨겨진 가격 메커니즘을 도입하고, 통계 기반 및 샘플 기반 강건 가격 책정 간의 연결고리를 다룹니다.

ABSTRACT

We study prior-independent pricing for selling a single item to a single buyer when the seller observes only a single sample from the valuation distribution, while the buyer knows the distribution. Classical robust pricing approaches either rely on distributional statistics, which typically require many samples to estimate, or directly use revealed samples to determine prices and allocations. We show that these two regimes can be bridged by leveraging the buyer's informational advantage: pricing policies that conventionally require the seller to know statistics such as the mean, $L^η$-norm, or superquantile can, in our framework, be implemented using only a single hidden sample. We introduce hidden pricing mechanisms, in which the seller commits ex ante to a pricing rule based on a single sample that is revealed only after the buyer's participation decision. We show that every concave pricing policy can be implemented in this way. To evaluate performance guarantees, we develop a general reduction for analyzing monotone pricing policies over $α$-regular distributions, enabling a tractable characterization of worst-case instances. Using this reduction, we characterize the optimal monotone hidden pricing mechanisms and compute their approximation ratios; in particular, we obtain an approximation ratio of approximately $0.79$ for monotone hazard rate (MHR) distributions. We further establish impossibility results for general concave pricing policies and for all prior-independent mechanisms. Finally, we show that our framework also applies to statistic-based robust pricing, thereby unifying sample-based and statistic-based approaches.

연구 동기 및 목표

• 구매자의 분포 지식을 활용하여 판매자가 제한된 정보만 가진 상태에서 사전 독립적(prior-independent) 가격 책정을 고무시키다.
• 단일 샘플을 사용하여 목표 분포 통계를 구현하는 숨겨진 가격 책정 메커니즘을 도입하다.
• 알파-정규 분포(alpha-regular distributions) 하에서 단조 가격 정책을 분석하기 위한 처리 가능한 축소를 개발하다.
• 최적의 단조 숨겨진 가격 책 책정 메커니즘을 특징지어 근사 보장을 정량화하다.
• 숨겨진 가격 책정과 통계 기반 강건 가격 책정 간의 연계를 보여주고 두 패러다임을 하나로 통합하다.

제안 방법

• 샘플 s를 F로부터 관측한 후 분포 F'를 보고하는 구매자와 함께 h(s, F')라는 가격 규칙을 갖는 숨겨진 가격 책정 메커니즘을 정의하다.
• 가격 규칙이 분포에 대해 오목한 함수 p에 대응하면 적절한 규칙으로, 숨겨진 가격 규칙을 통해 구현이 가능하다는 것을 보이다.
• 임의의 결정적 단조 가격 정책에 대해 자연의 최악의 분포가 간단한 두 매개변수(특정 통계의 경우 한 매개변수) 가족에 속한다는 것을 보이는 축소를 증명하다.
• 최적의 단조 숨겨진 가격 책정 메커니즘을 계산하고(alpha-regular distributions, 특히 MHR에 대해) 정량적 근사 비율을 얻다.
• 오목한 가격 정책과 모든 사전 독립적 메커니즘의 한계를 보이는 불가능성 결과를 제시하고, 통계 기반 강건 가격 책정과의 등가성에 대해 논의하다.

실험 결과

연구 질문

• RQ1 판매자가 하나의 관찰된 샘플만으로도 분포 통계를 알고 있는 전통적 통계 기반 메커니즘과 동일한 성능을 달성할 수 있는가?
• RQ2 숨겨진 가격 규칙이 단일 샘플을 사용하여 평균(mean), L^eta-노름, CVaR 등의 일반적인 통계를 구현할 수 있는가?
• RQ3 알파-정규(distributions) 하에서 단조 숨겨진 가격 책정 메커니즘이 달성할 수 있는 최상의 근사 비율은 무엇인가?
• RQ4 숨겨진 가격 책정 메커니즘이 통계 기반 강건 가격 책정 접근 방식과 어떤 관계를 가지며 이를 어떻게 하나로 통합하는가?

주요 결과

• 하나의 숨겨진 샘플로 평균 가격 책정, L^eta-노름 가격 책정, 초분위 가격 책정에 대한 고전적 보장을 맞출 수 있다.
• MHR 분포의 경우 최적의 단조 숨겨진 가격 책정 메커니즘은 근사 비율이 약 0.79에 도달한다.
• 하한 및 상한이 존재하여 한계가 있음을 보인다: MHR 하에서 어떤 오목한 가격 규칙도 0.801을 초과할 수 없고, 모든 사전 독립적 메커니즘의 상한은 0.838이다.
• toy 균등 분포 예시는 0.875의 근사 비율을 산출하며, 해당 설정에서 사전 독립적 메커니즘 중 최적이다.
• 이 프레임워크는 오목한 함수가 아닌 통계도 포함하는 단조(statistics) 통계를 포함한 통계 기반 강건 가격 책정으로의 확장이 가능하며, 샘플 기반과 통계 기반 접근을 하나로 통합한다.