Buchumschlag

Learning an Optimal Assortment Policy under Observational Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Han, Yuxuan, Zhong, Han, Lu, Miao, Blanchet, Jose, Zhou, Zhengyuan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Optimization and Control Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Robust Assortment Optimization from Observational Data
von: Lu, Miao, et al.
Veröffentlicht: (2026)

Optimal Online and Offline Algorithms for Contextual MNL with Applications to Assortment and Pricing
von: Zhang, Yunfan, et al.
Veröffentlicht: (2026)

Learning and Decision-Making with Data: Optimal Formulations and Phase Transitions
von: Bennouna, Amine, et al.
Veröffentlicht: (2021)

Optimism Stabilizes Thompson Sampling for Adaptive Inference
von: Yan, Shunxing, et al.
Veröffentlicht: (2026)

Long-time dynamics and universality of nonconvex gradient descent
von: Han, Qiyang
Veröffentlicht: (2025)

Stochastic Optimization with Optimal Importance Sampling
von: Aolaritei, Liviu, et al.
Veröffentlicht: (2025)

Learning linear dynamical systems under convex constraints
von: Tyagi, Hemant, et al.
Veröffentlicht: (2023)

Robustly Learning Monotone Generalized Linear Models via Data Augmentation
von: Zarifis, Nikos, et al.
Veröffentlicht: (2025)

Joint Learning of Linear Dynamical Systems under Smoothness Constraints
von: Tyagi, Hemant
Veröffentlicht: (2024)

Error Analysis of Triangular Optimal Transport Maps for Filtering
von: Al-Jarrah, Mohammad, et al.
Veröffentlicht: (2025)

A New Perspective On Denoising Based On Optimal Transport
von: Trillos, Nicolas Garcia, et al.
Veröffentlicht: (2023)

An Elementary Proof of the Near Optimality of LogSumExp Smoothing
von: Samakhoana, Thabo, et al.
Veröffentlicht: (2025)

Is Q-Learning Minimax Optimal? A Tight Sample Complexity Analysis
von: Li, Gen, et al.
Veröffentlicht: (2021)

On the Foundation of Distributionally Robust Reinforcement Learning
von: Wang, Shengbo, et al.
Veröffentlicht: (2023)

Denoising Diffusions with Optimal Transport: Localization, Curvature, and Multi-Scale Complexity
von: Liang, Tengyuan, et al.
Veröffentlicht: (2024)

Optimal Regularization for a Data Source
von: Leong, Oscar, et al.
Veröffentlicht: (2022)

Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming
von: Gao, Yihang, et al.
Veröffentlicht: (2025)

A Novel Framework for Policy Mirror Descent with General Parameterization and Linear Convergence
von: Alfano, Carlo, et al.
Veröffentlicht: (2023)

Probabilistic Guarantees of Stochastic Recursive Gradient in Non-Convex Finite Sum Problems
von: Zhong, Yanjie, et al.
Veröffentlicht: (2024)

Risk reversal for least squares estimators under nested convex constraints
von: Al-Ghattas, Omar
Veröffentlicht: (2026)

Mixing Times and Privacy Analysis for the Projected Langevin Algorithm under a Modulus of Continuity
von: Bravo, Mario, et al.
Veröffentlicht: (2025)

Gradient descent inference in empirical risk minimization
von: Han, Qiyang, et al.
Veröffentlicht: (2024)

Efficient Group Lasso Regularized Rank Regression with Data-Driven Parameter Determination
von: Lin, Meixia, et al.
Veröffentlicht: (2025)

The High Line: Exact Risk and Learning Rate Curves of Stochastic Adaptive Learning Rate Algorithms
von: Collins-Woodfin, Elizabeth, et al.
Veröffentlicht: (2024)

Data-Efficient Non-Gaussian Semi-Nonparametric Density Estimation for Nonlinear Dynamical Systems
von: Liao, Aaron R., et al.
Veröffentlicht: (2026)

Convergence of flow-based generative models via proximal gradient descent in Wasserstein space
von: Cheng, Xiuyuan, et al.
Veröffentlicht: (2023)

Precise gradient descent training dynamics for finite-width multi-layer neural networks
von: Han, Qiyang, et al.
Veröffentlicht: (2025)

Optimal transport natural gradient for statistical manifolds with continuous sample space
von: Chen, Yifan, et al.
Veröffentlicht: (2018)

Gradient Equilibrium in Online Learning: Theory and Applications
von: Angelopoulos, Anastasios N., et al.
Veröffentlicht: (2025)

A Theory of Feature Learning in Kernel Models
von: Chen, Yunlu, et al.
Veröffentlicht: (2023)

On the Uniform Convergence of Subdifferentials in Stochastic Optimization and Learning
von: Ruan, Feng
Veröffentlicht: (2024)

Bayesian Design Principles for Frequentist Sequential Learning
von: Xu, Yunbei, et al.
Veröffentlicht: (2023)

Optimal and instance-dependent guarantees for Markovian linear stochastic approximation
von: Mou, Wenlong, et al.
Veröffentlicht: (2021)

4+3 Phases of Compute-Optimal Neural Scaling Laws
von: Paquette, Elliot, et al.
Veröffentlicht: (2024)

Sample Complexity of Variance-reduced Distributionally Robust Q-learning
von: Wang, Shengbo, et al.
Veröffentlicht: (2023)

$K$-Nearest-Neighbor Resampling for Off-Policy Evaluation in Stochastic Control
von: Giegrich, Michael, et al.
Veröffentlicht: (2023)

Pessimism Meets Risk: Risk-Sensitive Offline Reinforcement Learning
von: Zhang, Dake, et al.
Veröffentlicht: (2024)

Blessings and Curses of Covariate Shifts: Adversarial Learning Dynamics, Directional Convergence, and Equilibria
von: Liang, Tengyuan
Veröffentlicht: (2022)

Learning the Uncertainty Sets for Control Dynamics via Set Membership: A Non-Asymptotic Analysis
von: Li, Yingying, et al.
Veröffentlicht: (2023)

Training Dynamics of Multi-Head Softmax Attention for In-Context Learning: Emergence, Convergence, and Optimality
von: Chen, Siyu, et al.
Veröffentlicht: (2024)