論文の概要: SWDPM: A Social Welfare-Optimized Data Pricing Mechanism
- arxiv url: http://arxiv.org/abs/2305.06357v1
- Date: Mon, 8 May 2023 02:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 17:13:29.416600
- Title: SWDPM: A Social Welfare-Optimized Data Pricing Mechanism
- Title(参考訳): SWDPM: 社会福祉を最適化したデータ価格設定機構
- Authors: Yi Yu, Shengyue Yao, Juanjuan Li, Fei-Yue Wang, Yilun Lin
- Abstract要約: 本稿では,多ラウンドデータ取引を段階的に開示した情報を用いてモデル化する手法を提案する。
社会福祉に最適化されたデータ価格メカニズム(SWDPM)を導入し、最適な価格戦略を見出す。
数値実験により、SWDPMは取引実現可能性の最大54%まで社会福祉を3倍に向上させることができることが示された。
- 参考スコア(独自算出の注目度): 21.487641773601737
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data trading has been hindered by privacy concerns associated with user-owned
data and the infinite reproducibility of data, making it challenging for data
owners to retain exclusive rights over their data once it has been disclosed.
Traditional data pricing models relied on uniform pricing or subscription-based
models. However, with the development of Privacy-Preserving Computing
techniques, the market can now protect the privacy and complete transactions
using progressively disclosed information, which creates a technical foundation
for generating greater social welfare through data usage. In this study, we
propose a novel approach to modeling multi-round data trading with
progressively disclosed information using a matchmaking-based Markov Decision
Process (MDP) and introduce a Social Welfare-optimized Data Pricing Mechanism
(SWDPM) to find optimal pricing strategies. To the best of our knowledge, this
is the first study to model multi-round data trading with progressively
disclosed information. Numerical experiments demonstrate that the SWDPM can
increase social welfare 3 times by up to 54\% in trading feasibility, 43\% in
trading efficiency, and 25\% in trading fairness by encouraging better matching
of demand and price negotiation among traders.
- Abstract(参考訳): データトレーディングは、ユーザーが所有するデータに関連するプライバシー上の懸念とデータの無限の再現性によって妨げられている。
従来のデータ価格モデルは、均一な価格やサブスクリプションベースのモデルに依存していた。
しかし、プライバシ保護コンピューティング技術の発展により、市場は徐々に開示された情報を使ってプライバシーと完全な取引を保護できるようになった。
本研究では,マッチングに基づくマルコフ決定プロセス(mdp)を用いて,情報公開を段階的に行う多ラウンドデータ取引のモデル化を行い,社会福祉最適化データ価格設定機構(swdpm)を導入し,最適な価格設定戦略を提案する。
私たちの知る限りでは、これは段階的な情報開示を伴うマルチラウンドデータトレーディングをモデル化した最初の研究です。
数値実験により、swdpmは取引実現率の最大54\%、取引効率の43\%、取引フェアネスの25\%で社会福祉を3倍に増やすことが示され、取引業者間の需要のマッチングと価格交渉の強化が図られた。
関連論文リスト
- A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳(メタデータ) (2024-02-23T10:21:07Z) - Privacy-Preserving Data Fusion for Traffic State Estimation: A Vertical
Federated Learning Approach [3.109306676759862]
交通状態推定(TSE)のためのプライバシ保護データ融合法を提案する。
複数のデータオーナ間のコラボレーションやデータ共有で発生するデータプライバシの懸念に,私たちは明確に対処しています。
論文 参考訳(メタデータ) (2024-01-22T10:52:22Z) - Privacy-Aware Data Acquisition under Data Similarity in Regression
Markets [29.64195175524365]
データの類似性とプライバシの嗜好が市場設計に不可欠であることを示す。
我々は、データ類似性が市場参加や取引データの価値にどのように影響するかを数値的に評価する。
論文 参考訳(メタデータ) (2023-12-05T09:39:04Z) - Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。
次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。
提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-11-22T22:15:17Z) - Revenue Management without Demand Forecasting: A Data-Driven Approach
for Bid Price Generation [25.53238782264327]
本稿では、需要予測と最適化技術の必要性を排除したデータ駆動型の収益管理手法を提案する。
我々はニューラルネットワークアルゴリズムを用いて入札価格を将来に向けて予測する。
以上の結果から,我々のデータ駆動手法は,幅広い設定において理論的に最適(1%の収益格差)に近いままであることがわかった。
論文 参考訳(メタデータ) (2023-04-14T21:10:13Z) - Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。
既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。
我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文 参考訳(メタデータ) (2022-11-07T10:02:55Z) - Lessons from the AdKDD'21 Privacy-Preserving ML Challenge [57.365745458033075]
W3Cの顕著な提案では、過去のディスプレイの集計された、差別化されたプライベートなレポートを通じてのみ広告信号を共有することができる。
この提案を広く研究するために、AdKDD'21でオープンなプライバシ保護機械学習チャレンジが行われた。
重要な発見は、大量の集約されたデータの小さな集合が存在する場合の学習モデルは驚くほど効率的で安価であることである。
論文 参考訳(メタデータ) (2022-01-31T11:09:59Z) - Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。
FLと関連する技術は、しばしばプライバシー保護と表現される。
この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
論文 参考訳(メタデータ) (2021-12-21T08:44:05Z) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳(メタデータ) (2021-07-19T06:00:34Z) - P3GM: Private High-Dimensional Data Release via Privacy Preserving
Phased Generative Model [23.91327154831855]
本稿では,プライバシ保護型位相生成モデル(P3GM)を提案する。
P3GMは2段階の学習プロセスを採用し、ノイズに対して堅牢にし、学習効率を向上させる。
最先端の手法と比較して、生成したサンプルはノイズが少なく、データ多様性の観点からも元のデータに近いように見える。
論文 参考訳(メタデータ) (2020-06-22T09:47:54Z)
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。