이질적 구매자를 위한 컨텍스트 동적 가격 책정: 최적의 오프시믹 포스터리어 샘플링과 변동성 인식 줌 알고리즘

초록

본 논문은 구매자 유형이 다수(크기 K★)인 상황에서, 컨텍스트 uₜ∈ℝᵈ에 기반해 가격 pₜ를 제시하고 이진 구매 피드백을 받는 동적 가격 책정 문제를 다룬다. 저자는 낙관적 포스터리어 샘플링(OPS) 기반 알고리즘을 설계해 regret을 𝑂̃(K★√{dT})로 제한하고, d=1인 비컨텍스트 경우에는 변동성‑인식 줌(ZoomV) 알고리즘으로 regret을 𝑂̃(√{K★T})까지 낮춘다. 또한 K★와 d에 대한 하한을 제시해 제시된 상한이 최적임을 증명한다.

상세 분석

이 논문은 기존의 동적 가격 책정 연구가 단일 유형(θ★)의 구매자를 전제로 했던 한계를 뛰어넘어, 구매자 유형이 고정이지만 미지의 분포 D★ 위에 K★개의 지원점을 갖는 이질적(population) 모델을 도입한다. 핵심 도전 과제는 (1) 가격이라는 연속적인 행동 공간과 이진 구매 피드백 사이의 비선형·비연속적 관계, (2) 구매자 유형이 관측되지 않아 각 유형별 모델을 별도로 학습할 수 없다는 점, (3) 컨텍스트가 적대적으로 선택될 수 있어 전통적인 회귀 기반 방법이 적용되기 어렵다는 점이다.

저자는 이러한 난관을 해결하기 위해 최근 컨텍스트 밴드잇 분야에서 제안된 낙관적 포스터리어 샘플링(OPS) 프레임워크를 변형한다. OPS는 후보 모델 집합 𝔇(가능한 유형 분포)의 사후 μₜ를 유지하며, 매 라운드마다 μₜ에서 샘플링된 모델을 기반으로 최적 가격을 선택한다. 관측된 피드백(yₜ)과 불일치하는 모델은 사후에서 패널티를 받아 확률이 감소하고, 낙관적 보정(bias) 항을 통해 탐색을 촉진한다.

핵심 기술적 기여는 두 가지이다. 첫째, “불일치 계수(disagreement coefficient)” c를 K★에만 의존하도록 상한을 잡는다. 구체적으로, 고정된 컨텍스트 u에 대해 D★가 유도하는 누적 수요 함수는 최대 K★개의 점프(가격 구간 전환)를 갖고, 각 구간마다 불일치 계수를 2로 제한한다. 이를 K★+1개의 구간에 대해 합산하면 c ≤ 2(K★+1)임을 보인다. 둘째, 𝔇가 무한히 큰 경우에도 OPS의 regret을 제어하기 위해 가격을 소량 보수적으로 변형(perturb)하고, 유한 커버링(크기 ≈ K★·log T) 위에서 정의된 가상의 OPS와 실제 OPS의 궤적을 커플링한다. 이 과정에서 사후 업데이트가 모델 불일치에 따라 충분히 빠르게 수렴함을 보이며, 결국 전체 regret이 𝑂̃(K★√{dT})임을 증명한다. 또한 K★를 사전에 알지 못하는 경우, 비균등 사전(initial prior)을 사용해 동일한 차수의 regret을 달성한다.

비컨텍스트(d=1) 상황에서는 “ZoomV”라는 변동성‑인식 줌 알고리즘을 제안한다. 기존 줌(zooming) 기법은 Lipschitz 밴드잇에서 행동 공간을 적응적으로 분할해 regret을 O(T^{2/3}) 수준으로 제어했지만, 가격 손실은 일방향 Lipschitz 특성을 가지므로 변동성 정보를 활용하면 더 강력한 상한을 얻을 수 있다. ZoomV는 각 구간에 대해 샘플 분산을 추정하고, 분산이 작을수록 탐색을 억제해 “변동성‑인식 줌 차원(ZoomDim_V)”을 정의한다. 이 차원은 최악의 경우에도 0에 가깝게 유지되며, 결과적으로 regret이 𝑂̃(min{√{K★T}, T^{2/3}})가 된다. 특히 K★≫T^{1/3}인 경우에도 T^{2/3} 수준을 유지한다.

마지막으로, 구매자 유형을 직접 관측할 수 있는 두 시나리오(식별자 zₜ∈