需求学习下情境动态定价中的效用公平性
机器学习
2023-11-29 v1 机器学习
摘要
本文提出一种新颖的情境_bandit算法，用于在需求不确定且受效用公平性约束的场景下进行个性化定价，实现了最优后悔上界。我们的方法结合了动态定价与需求学习，解决了定价策略中公平性的关键挑战。我们首先深入静态全信息设定，将最优定价策略表述为约束优化问题。在此，我们提出一种近似算法，用于高效且近似地计算理想策略。我们还利用数学分析与计算研究刻画了受公平性约束的最优情境定价策略的结构，推导出简化策略，为更深入的研究与扩展奠定基础。进一步，我们将研究扩展至带需求学习的动态定价问题，建立了非标准的后悔下界，凸显了公平性约束带来的复杂性。我们的研究全面分析了公平性的代价及其对效用与收益最大化之间平衡的影响。该工作代表了将伦理考量整合进数据驱动动态定价中算法效率的一步。
引用
@article{arxiv.2311.16528,
title = {Utility Fairness in Contextual Dynamic Pricing with Demand Learning},
author = {Xi Chen and David Simchi-Levi and Yining Wang},
journal= {arXiv preprint arXiv:2311.16528},
year = {2023}
}