일반화 선형 수요 하의 온라인 가격 경쟁

초록

본 논문은 N명의 판매자가 동시에 가격을 결정하는 상황에서, 각 판매자의 수요가 단일 지수 모델 λᵢ(p)=μᵢ(⟨θᵢ₀,p⟩) 로 표현되는 일반화 선형 수요 구조를 가정한다. 판매자는 자신이 관측한 실현 수요와 경쟁자의 가격만을 알 수 있는 제한된 정보 하에서 학습한다. 저자들은 탐색 단계 없이도 작동하는 분산 정책 PML‑GLUCB를 제안하고, 각 판매자가 동적 벤치마크 대비 O(N²√T log T) 수준의 레지 regret을 달성함을 증명한다. 핵심 기술은 동시 움직임을 고려한 새로운 타원형 포텐셜 보조정리이다.

상세 분석

이 연구는 기존의 선형 수요 기반 다판매자 가격 학습 문헌을 크게 확장한다. 첫째, 수요 함수가 μᵢ(·) 라는 알려진 증가 링크와 θᵢ₀라는 미지 파라미터의 내적 형태로 구성된 일반화 선형(Generalized Linear) 모델을 채택함으로써, 이항 응답부터 연속형 수요까지 다양한 실세계 데이터를 포괄한다. 이는 기존 연구가 선형 혹은 매우 제한된 파라미터화에 머물렀던 점을 극복한다.

둘째, 정보 구조가 실질적인 경쟁 시장을 반영한다. 각 판매자는 자신의 실현 수요 yᵢ(t)와 경쟁자들의 가격 p_{‑i}(t)만을 관측하고, 다른 판매자의 수요나 수익 정보를 전혀 알 수 없다. 이러한 비대칭·비공개 피드백은 전통적인 다에이전트 강화학습(MARL) 가정과 차별화되며, 공동 보상 관측이 전제된 기존 알고리즘을 직접 적용할 수 없게 만든다.

세 번째 핵심 기여는 탐색‑전략을 별도로 두지 않는 완전 분산 정책 PML‑GLUCB이다. 정책은 (i) penalized maximum likelihood estimator (PML)를 통해 θᵢ₀를 지속적으로 추정하고, (ii) 추정된 파라미터와 타원형 신뢰구간을 이용해 낙관적(upper‑confidence) 가격을 선택한다. 이때 가격 선택은 경쟁자들의 현재 가격을 관측한 뒤 동시에 이루어지므로, 전통적인 컨텍스트 밴딧에서 가정하는 “행동 전 컨텍스트 관측”과는 달리 타이밍 불일치가 발생한다. 저자들은 이를 해결하기 위해 동시 움직임에 맞춘 새로운 타원형 포텐셜 보조정리(Lemma C.2)를 도입하였다. 이 보조정리는 각 판매자의 설계된 신뢰구간이 실제 파라미터를 포함함을 보장하고, 전체 시스템의 누적 레지 regret을 O(N²√T log T) 으로 제한한다.

또한, 레지 분석은 동적 벤치마크(시간에 따라 변하는 최적 가격 정책)와 비교한다. 이는 정적 Nash equilibrium 대비 더 강력한 기준이며, 각 판매자가 독립적으로 최적 반응을 학습하면서도 전체 시장이 평균적으로 O(N²/√T) 수준의 Nash 가격 벡터와의 거리 제곱 평균을 유지함을 보여준다.

마지막으로, 기술적 난관은 (i) 일반화 선형 모델에서의 비선형 링크 μᵢ의 존재, (ii) 다중 에이전트 간 동시 가격 결정으로 인한 의존성, (iii) 제한된 피드백 구조다. 저자들은 이들을 각각 penalized likelihood, UCB 기반 최적 반응, 그리고 새로운 타원형 포텐셜 분석으로 정교히 해결하였다. 결과적으로, 선형 모델에서 알려진 최적 레지율 O(√T) 를 N² 로그 항을 포함해 동일하게 달성함으로써, 일반화 선형 수요 하에서도 기존 최적성을 유지함을 입증한다.