論文の概要: Privacy-Preserving Dynamic Personalized Pricing with Demand Learning
- arxiv url: http://arxiv.org/abs/2009.12920v2
- Date: Sun, 25 Jul 2021 18:53:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 03:25:33.414786
- Title: Privacy-Preserving Dynamic Personalized Pricing with Demand Learning
- Title（参考訳）: 需要学習によるプライバシ保護型動的パーソナライズ価格
- Authors: Xi Chen and David Simchi-Levi and Yining Wang
- Abstract要約: 我々は、ポスト価格とパーソナライズされた情報の求人需要機能を備えた動的価格問題を考える。
第三者エージェントは、相手の価格体系の変更からパーソナライズされた情報と購入決定を推測することができる。
動的価格問題に合わせた$(servingvarepsilon, delta)$-differential privacyを導入します。
- 参考スコア（独自算出の注目度）: 25.40475405419857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of e-commerce has made detailed customers' personal
information readily accessible to retailers, and this information has been
widely used in pricing decisions. When involving personalized information, how
to protect the privacy of such information becomes a critical issue in
practice. In this paper, we consider a dynamic pricing problem over $T$ time
periods with an \emph{unknown} demand function of posted price and personalized
information. At each time $t$, the retailer observes an arriving customer's
personal information and offers a price. The customer then makes the purchase
decision, which will be utilized by the retailer to learn the underlying demand
function. There is potentially a serious privacy concern during this process: a
third party agent might infer the personalized information and purchase
decisions from price changes from the pricing system. Using the fundamental
framework of differential privacy from computer science, we develop a
privacy-preserving dynamic pricing policy, which tries to maximize the retailer
revenue while avoiding information leakage of individual customer's information
and purchasing decisions. To this end, we first introduce a notion of
\emph{anticipating} $(\varepsilon, \delta)$-differential privacy that is
tailored to dynamic pricing problem. Our policy achieves both the privacy
guarantee and the performance guarantee in terms of regret. Roughly speaking,
for $d$-dimensional personalized information, our algorithm achieves the
expected regret at the order of $\tilde{O}(\varepsilon^{-1} \sqrt{d^3 T})$,
when the customers' information is adversarially chosen. For stochastic
personalized information, the regret bound can be further improved to
$\tilde{O}(\sqrt{d^2T} + \varepsilon^{-2} d^2)$
- Abstract（参考訳）: eコマースの普及により、詳細な顧客の個人情報は小売業者に容易にアクセス可能となり、この情報は価格決定に広く使われている。
パーソナライズされた情報を巻き込む場合、そのような情報のプライバシーを守る方法が現実的に重要な問題となる。
本稿では,ポスト価格とパーソナライズされた情報の要求関数であるemph{unknown}要求関数を用いて,T$以上の動的価格問題を考察する。
t$のたびに、店主は到着した顧客の個人情報を観察し、価格を提示する。
顧客は購入決定を行い、その決定は小売業者が基礎となる需要関数を学ぶために利用する。
第三者エージェントは、価格体系からの価格変更からパーソナライズされた情報と購入決定を推論する可能性がある。
コンピュータ科学からのディファレンシャルプライバシの基本的な枠組みを用いて,個々の顧客の情報漏洩や購入決定を回避しつつ,小売業者の収益を最大化しようとするプライバシ保存動的価格ポリシーを開発した。
この目的のために、我々はまず、動的な価格問題に合わせた、" \emph{anticipating} $(\varepsilon, \delta)$-differential privacy"の概念を導入する。
我々の政策は、後悔の観点からプライバシー保証とパフォーマンス保証の両方を達成する。
大まかに言えば、$d$のパーソナライズされた情報に対して、我々のアルゴリズムは、顧客情報が逆選択されたときに、$\tilde{O}(\varepsilon^{-1} \sqrt{d^3 T})$の順序で、期待された後悔を達成する。
確率的パーソナライズされた情報では、後悔の境界はさらに$\tilde{o}(\sqrt{d^2t} + \varepsilon^{-2} d^2)$に改善される。
関連論文リスト
- Masked Differential Privacy [64.32494202656801]
本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。
提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
論文 参考訳（メタデータ） (2024-10-22T15:22:53Z) - Personalized Differential Privacy for Ridge Regression [3.4751583941317166]
我々はPDP-OP(Personalized-DP Output Perturbation Method)を導入し、データポイントごとのプライバシレベルに応じてリッジ回帰モデルのトレーニングを可能にする。
我々は、PDP-OPの厳密なプライバシー証明と、結果モデルの正確性を保証する。
我々はPDP-OPがJorgensenらのパーソナライズされたプライバシー技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-01-30T16:00:14Z) - Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。
ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文 参考訳（メタデータ） (2023-04-06T05:20:16Z) - A Value-Centered Exploration of Data Privacy and Personalized Privacy
Assistants [0.0]
インフォームドコンセントを活用する代わりに、より価値中心のユーザー決定のためのスペースを作るように提案します。
私は、価値中心のプライバシー決定を運用するために、Suzy Killmister氏の4次元の自律性理論を利用しています。
論文 参考訳（メタデータ） (2022-12-01T14:26:33Z) - Analyzing Privacy Leakage in Machine Learning via Multiple Hypothesis
Testing: A Lesson From Fano [83.5933307263932]
本研究では,離散データに対するデータ再構成攻撃について検討し,仮説テストの枠組みの下で解析する。
基礎となるプライベートデータが$M$のセットから値を取ると、ターゲットのプライバシパラメータ$epsilon$が$O(log M)$になる。
論文 参考訳（メタデータ） (2022-10-24T23:50:12Z) - Improved Regret for Differentially Private Exploration in Linear MDP [31.567811502343552]
医療記録などのセンシティブなデータに依存する環境におけるシーケンシャルな意思決定におけるプライバシ保護探索について検討する。
我々は、エピソード数に対して$O(sqrtK)$を最適に依存した、改善された後悔率を持つプライベートアルゴリズムを提供する。
論文 参考訳（メタデータ） (2022-02-02T21:32:09Z) - Differential Privacy in Personalized Pricing with Nonparametric Demand
Models [15.036147440342338]
本稿では,データプライバシ保護下でのテキスト非パラメトリック需要モデルを用いた動的パーソナライズ価格問題について検討する。
データプライバシの2つの概念が実践に広く適用されている。
提案手法は,CDP と LDP をそれぞれ満たし,価格決定と未知の要求を即時に学習するアルゴリズムである。
論文 参考訳（メタデータ） (2021-09-10T01:56:55Z) - Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。
まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。
そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-09-18T20:18:35Z) - Spatial Privacy Pricing: The Interplay between Privacy, Utility and
Price in Geo-Marketplaces [14.466602643062142]
プライバシーに関心のあるユーザーは、位置情報を正確に特定するデータに対してより多くの料金を請求するかもしれない。
買い手はデータコストを最小限に抑えることを好むが、必要なレベルの精度を得るためにはより多くの費用を費やす必要があるかもしれない。
これをプライバシ、ユーティリティ、価格空間のプライバシ価格の相互作用と呼んでいる。
論文 参考訳（メタデータ） (2020-08-25T06:28:02Z) - InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
視覚データに流出した個人情報を個人が制限できる技術について検討する。
我々はこの問題を新しい画像難読化フレームワークで解決する。
提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
論文 参考訳（メタデータ） (2020-05-20T19:48:04Z) - PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。
具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。
第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
論文 参考訳（メタデータ） (2020-05-04T04:25:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。