기업들은 진화하는 고객 수요에 대응하기 위해 동적 가격 책정(Dynamic Pricing)에 점점 더 의존하고 있지만, 많은 응용 분야에서 각 기간마다 게시된 단일 가격에 의해 생성된 수익만을 관찰합니다. 동시에, 고객 선호도, 경쟁 또는 외부 충격으로 인한 변화로 인해 시장 조건이 점진적 또는 급격하게 변할 수 있습니다. 이러한 특징은 두 가지 얽힌 과제를 생성합니다: 제한된 피드백으로부터 수익-수요 관계를 학습하는 것과 변화하는 환경에 가격 결정(Pricing decisions)을 적응시키는 것입니다. 우리는 수요에 대한 특정 모수적 형태(Parametric form)를 가정하지 않고, 판매자가 이러한 제약 조건 하에서 어떻게 효과적으로 학습하고 수익을 창출할 수 있는지 연구합니다. 우리는 각 기간당 하나의 관측치로부터 구축된 수익 기반 경사 근사치(Revenue-based gradient approximations)를 사용하여 가격을 업데이트하는 학습 프레임워크를 개발합니다. 환경 변화에 대응하기 위해, 우리는 오래된 정보가 할인되도록 학습 프로세스를 주기적으로 갱신하는 재시작 메커니즘(Restarting mechanism)을 통합합니다. 비정상성(Nonstationarity)의 정도를 알 수 없는 경우, 우리는 여러 재시작 일정(Restarting schedules)에 걸쳐 적응적으로 헤징(Hedge)하기 위해 메타 학습(Meta-learning) 계층을 추가로 도입합니다. 우리는 우리의 접근 방식에 대한 성능 보장을 제공하며, 완전한 정보를 가진 벤치마크 대비 누적 수익 손실이 시간 지평(Time horizon)과 시장 변동의 크기 모두에 어떻게 의존하는지 보여줍니다. 합성 데이터 및 실제 데이터를 사용한 시뮬레이션 실험은 제안된 절차의 효과를 입증합니다.