学习即是伪装的揭示：动态定价的改进后悔与等价结果

我们研究动态定价场景，其中卖方反复与具备固定私人评估价且对未来效用进行折扣的战略性非随意买家互动。先前工作仅关注贴现价格机制，这类机制仅提取二元接受/拒绝信号。针对此，本文首个结果表明，菜单机制（提供分配-支付合同）可实现 $O(T_\gamma \log T_\gamma)$ 后悔值，其中 $T_\gamma$ 为买家的有效折扣时间尺度，超越所有先前界限。我们的第二个贡献更具概念性。动态定价问题交汇于计算机科学/机器学习中的自适应学习范式与经济学中的揭示原则机制设计范式——但两者的关系一直不清晰。我们建立基本等价：间接学习机制与直接揭示机制实现相同的 optimal 后悔。线上学习的自适应数据驱动算法与显式类型揭示机制是解决同一问题的两种语言；因此，学习即是伪装的揭示。