研究了一个销售大量产品的公司所面临的定价问题，提出了一种基于稀疏结构的动态策略，称为正则化最大似然定价，其能在log T的复杂度下最小化收益损失。

Sep, 2016

本文提出了针对动态定价情况下买家分组的拍卖模型，通过对分布无关和分布相关情况进行分析，得到了买家估价分布的上下界，提出了一种上界近似算法，并给出了其退化情况的解法。

Jul, 2018

基于实时定价与上下文信息，本文提出了一种半参数模型，能够通过回归参数和残差分布来最大化收益，考虑到了细节特征。

Jan, 2019

本研究探讨了如何学习在首价拍卖中进行出价，针对这一问题开发了首个达到最小化一般策略集的竞标算法，能够显著提升现有竞标算法的效果。这一算法利用专家策略和层级策略，取得了不错的效果，在三个真实场景的测试中表现出了优越性。

Jul, 2020

本文探讨在Learning to Price的环境下，当买家估值是一个移动目标的情况下，寻找一种使卖家能最大化收益的算法，并提供了对于最优收益损失的上下界限制。由于目标一直在移动，所以算法必须在探索和利用之间不断切换来保持最新的信息。

Jun, 2021

该研究探讨在线广告和动态定价设计的问题，使用贝叶斯说服模型来研究信号对买家定价和购买决策的影响，提出了一种具有低后悔率的在线算法。

Apr, 2023

个性化定价策略探讨了与策略性购买者的上下文动态定价问题, 并提出了一个战略动态定价策略，该策略能够最大化卖方的累积收入，并能同时估计估值参数和成本参数，从而达到O(sqrt(T))的遗憾上界。

Jul, 2023

在基于赌博学习模型中，研究了顺序发布定价和后悔边界，得到了针对不同分布情况下的几乎最优后悔边界，尤其是对于正常分布的情况，基于收益函数在价值空间中的新型半凹特性，实现了新的结果。

Dec, 2023

在这篇研究论文中，我们研究了动态定价问题，其中客户对当前价格的反应受到客户的价格期望（参考价格）的影响。我们研究了一种简单而新颖的参考价格机制，其中参考价格是卖方过去所提供的价格的平均值。我们证明，在这种机制下，降价政策是近乎最优的，无论模型的参数如何。此外，我们提供了线性需求模型下近乎最优降价政策的详细特征描述，并提供了一种高效的计算方法。然后，我们考虑了一种更具挑战性的动态定价和学习问题，其中需求模型参数是先验未知的，卖方需要从客户对所提供价格的反应中在线学习这些参数，并同时优化收入。我们的目标是最小化遗憾，即与卓越最优政策相比，T轮收入损失。对于线性需求模型，我们提供了一个高效的学习算法，并得到了一个最优的Ο(√T)遗憾上界。

Feb, 2024

我们研究了在经纪人之间的在线学习问题中上下文信息的作用。我们假设交易资产的市场价值是代表经纪人可用的上下文信息的$d$维向量的未知线性函数。我们通过与交易利润相关的遗憾来评估学习算法的性能，并提供了相应的遗憾界限。

May, 2024