Sep, 2023

基于遗憾最小化技术的云市场竞争定价策略

PDF
TL;DR基于云计算市场的竞争，本研究提出了基于后悔最小化算法的定价策略，并应用于考虑的不完全信息博弈，实验证明该策略相较于其他策略能够大幅增加提供商的利润。此外，文中还讨论了多种后悔最小化技术在仿真云市场中的有效性，并研究了参与组织的投资回报率，取得了有希望的结果。
cloud computingpricing policyregret minimization algorithmcompetition-based marketplacereturn on investment
发现论文，激发创造
  • 云市场中应用的动态定价：运用博弈论

    云市场的竞争性质使定价政策成为企业的关键任务。因此，本研究设计了一个正常形式的游戏来处理云服务提供商之间的竞争，采用委员会注册的方式来提高竞争基于定价的政策。通过应用博弈论设计动态定价策略，本论文定量建模云市场并验证了游戏存在并且纳什均衡是唯一的。

    Sep, 2023

  • 遗憾最小化代理人之间的拍卖

    本文研究一种情景，软件代理机器人实施后悔最小算法，代表他们的用户进行重复拍卖。研究一价和二价拍卖及其广义版本。使用理论分析和模拟，结果表明在二价拍卖中，玩家有激励向其自己的学习代理机器人提供不真实的估值，而在一价拍卖中，对于所有玩家真实报告其估值是一种占优策略。

    Oct, 2021

  • 带有策略性买家的一口价拍卖中的收益优化

    该研究针对公告价格拍卖中存在的策略买家，研究了收入最优化的学习算法，提出了一种新的算法，相较于之前最好的算法，在减小策略遗憾度方面有指数级改善，且表现优于现有技术。

    Nov, 2014

  • 具有战略买家的重复拍卖学习定价

    我们研究了在线广告中的买方定价、多次交互和卖方算法，包括买方价值分布推断、策略性遗憾和卖方长期收入最大化。我们定义了策略性遗憾的自然概念，介绍了卖方算法，分析了买方的贴现能力。该文阐述了任何卖方算法在没有贴现时都将遭受线性策略性遗憾。

    Nov, 2013

  • 基于遗憾的计量经济学的实验评估

    该研究使用实验数据对 Nekipelov、Syrgkanis 和 Tardos（EC 2015）最近提出的基于遗憾的计量经济学方法进行了评估，发现尽管采用了较弱的遗憾假设，其结果至少与采用经典均衡假设获得的结果一样准确。其中，研究发现参与广告拍卖的高估价者理性地将遗憾降至最低，而低估价者的竞价则存在显著超额现象，作者建议进行修正这些偏差并调整基于遗憾的计量经济方法，以提高预测的准确性。

    May, 2016

  • 应用于一价拍卖中出价的战略稳健学习算法

    学习在重复的一价拍卖中进行投标是博弈论和机器学习之间的一个基本问题，我们提出了一种新颖的凸形式用于分析一价拍卖中的纯策略投标，并证明了我们的算法可以有效鼓励拍卖买家真实报价并且无法被巧言利用。

    Feb, 2024

  • 改进的上下文动态定价算法

    在此研究中，我们探讨了上下文动态定价的关键问题，提出了两种估值模型，并针对线性性假设和期望买家估值问题分别设计了算法，以实现较低的后悔率。

    Jun, 2024

  • 通过折现遗憾最小化解决不完美信息博弈

    本文介绍了改进的 Counterfactual regret minimization（CFR）算法，包括折扣遗憾值、迭代加权和非标准遗憾值最小化等四个变量，我们的新算法在大规模现实环境下的每个游戏中都优于之前的方法 CFR+。另外，与 CFR + 相比，我们的算法更容易应用于现代的不完美信息游戏修剪技术和采样方法。

    Sep, 2018

  • 面向广告牌广告的无悔时间槽分配

    为了创建和最大化客户之间的影响力，广告商对此进行了研究并提出了一种利用影响力提供商的广告技术，其中影响力提供商的目标是通过提供所需的推广浏览量来减少不满意程度，并提出了四种有效的解决方案以优化这一问题，实现了较低的不满意程度和更短的计算时间。

    Jan, 2024

  • 动态激励感知学习：上下文拍卖中的鲁棒性定价

    本文提出了一种学习策略，通过观察过去的销售数据来设定保留价格，以最小化对收入的后悔，同时本文也探讨了市场噪声分布已知和未知情况下的学习政策和保留价格的设计。

    Feb, 2020