論文の概要: Data Market Design through Deep Learning
- arxiv url: http://arxiv.org/abs/2310.20096v1
- Date: Tue, 31 Oct 2023 00:21:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 16:58:51.553236
- Title: Data Market Design through Deep Learning
- Title（参考訳）: ディープラーニングによるデータ市場設計
- Authors: Sai Srivatsa Ravindranath, Yanchen Jiang, David C. Parkes
- Abstract要約: 収益最適化データ市場の設計におけるディープラーニングの適用について紹介する。
我々の実験は、この新しいディープラーニングフレームワークが、既知のすべてのソリューションを理論からほぼ正確に複製できることを示した。
- 参考スコア（独自算出の注目度）: 16.505791601397185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The $\textit{data market design}$ problem is a problem in economic theory to
find a set of signaling schemes (statistical experiments) to maximize expected
revenue to the information seller, where each experiment reveals some of the
information known to a seller and has a corresponding price [Bergemann et al.,
2018]. Each buyer has their own decision to make in a world environment, and
their subjective expected value for the information associated with a
particular experiment comes from the improvement in this decision and depends
on their prior and value for different outcomes. In a setting with multiple
buyers, a buyer's expected value for an experiment may also depend on the
information sold to others [Bonatti et al., 2022]. We introduce the application
of deep learning for the design of revenue-optimal data markets, looking to
expand the frontiers of what can be understood and achieved. Relative to
earlier work on deep learning for auction design [D\"utting et al., 2023], we
must learn signaling schemes rather than allocation rules and handle
$\textit{obedience constraints}$ $-$ these arising from modeling the downstream
actions of buyers $-$ in addition to incentive constraints on bids. Our
experiments demonstrate that this new deep learning framework can almost
precisely replicate all known solutions from theory, expand to more complex
settings, and be used to establish the optimality of new designs for data
markets and make conjectures in regard to the structure of optimal designs.
- Abstract（参考訳）: 問題:$\textit{data market design}$ 問題は、情報販売者に期待される収入を最大化するための一連のシグナリング・スキーム(統計的実験)を見つける経済理論の問題である。
各買い手は、それぞれが世界環境で行うという独自の決定を持ち、特定の実験に関連する情報に対する主観的な期待値は、この決定の改善によるものであり、異なる結果に対する優先順位と価値に依存する。
複数の買い手による設定では、実験に対する買い手の期待値は、他者に販売される情報に依存する可能性がある(Bonatti et al., 2022)。
我々は、収益最適化データ市場の設計にディープラーニングの応用を導入し、何が理解され達成できるかのフロンティアを拡大する。
オークションデザインのためのディープラーニングに関する研究 [D\"utting et al., 2023] とは対照的に、アロケーションルールよりもシグナリングスキームを学び、$\textit{obedience constraints}$-$を、入札に対するインセンティブ制約に加えて、バイヤーの下流アクションをモデル化することから生じる。
我々の実験は、この新たなディープラーニングフレームワークが、理論から既知のすべてのソリューションをほぼ正確に再現し、より複雑な設定に拡張し、データ市場向けの新しい設計の最適性を確立し、最適な設計の構造に関する推測を行うことができることを示した。
関連論文リスト
- Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳（メタデータ） (2024-05-28T11:30:19Z) - One-Shot Open Affordance Learning with Foundation Models [54.15857111929812]
私たちは、モデルがベースオブジェクトカテゴリ毎に1つの例でトレーニングされる、ワンショットのオープンアフォーダンスラーニング(OOAL)を紹介します。
本稿では,視覚的特徴と手頃なテキスト埋め込みとの整合性を高める,シンプルで効果的な設計の視覚言語フレームワークを提案する。
2つのアベイランスセグメンテーションのベンチマーク実験により、提案手法はトレーニングデータの1%未満で最先端のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-11-29T16:23:06Z) - Striking a Balance: An Optimal Mechanism Design for Heterogenous
Differentially Private Data Acquisition for Logistic Regression [8.45602005745865]
プライバシに敏感な販売者から収集したデータに対してロジスティック回帰を行う際の問題点について検討する。
データは非公開であるため、販売者は支払いを通じてインセンティブを得る必要がある。
論文 参考訳（メタデータ） (2023-09-19T05:51:13Z) - Dynamic Pricing with Volume Discounts in Online Settings [102.00782184214326]
本稿では,電子商取引における客観的機能が利益であり,取引データのみが利用可能である場合の価格設定に焦点を当てる。
我々の研究は、異なるボリューム閾値で最適な価格を定め、異なるクラスのユーザーに提供する価格戦略を見つけることを目的としている。
我々は、オンライン形式でデータを活用できる2段階のオンライン学習アルゴリズムBを設計する。
論文 参考訳（メタデータ） (2022-11-17T16:01:06Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳（メタデータ） (2022-05-09T10:47:15Z) - The Value of Information When Deciding What to Learn [21.945359614094503]
本研究は情報指向サンプリングの設計原理に基づく(Russo & Van Roy, 2014)。
我々は,学習内容を決定する際の情報の価値を確認する実証的な結果に目を向ける前に,学習目標に関する文献からの新たな知見を提示する。
論文 参考訳（メタデータ） (2021-10-26T19:23:12Z) - Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and
Multi-Period Optimization Approach [29.11201102550876]
半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。
本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。
提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
論文 参考訳（メタデータ） (2021-05-18T07:01:37Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z) - DoubleEnsemble: A New Ensemble Method Based on Sample Reweighting and
Feature Selection for Financial Data Analysis [22.035287788330663]
学習軌道に基づくサンプル再重み付けとシャッフルに基づく特徴選択を利用したアンサンブルフレームワークであるDoubleEnsembleを提案する。
我々のモデルは、複雑なパターンを抽出できる幅広い基盤モデルに適用でき、金融市場の予測に過度に適合し、不安定な問題を緩和できる。
論文 参考訳（メタデータ） (2020-10-03T02:57:10Z) - Demand Prediction Using Machine Learning Methods and Stacked
Generalization [0.0]
本稿では,eコマースWebサイトにおける需要予測のための新しいアプローチを提案する。
eコマースのWebサイトで使用されるビジネスモデルには、同じ製品を異なる価格で同時に販売する多くの売り手が含まれている。
論文 参考訳（メタデータ） (2020-09-21T10:58:07Z) - $n$-Reference Transfer Learning for Saliency Prediction [73.17061116358036]
本稿では,サリエンシ予測のための数発のトランスファー学習パラダイムを提案する。
提案するフレームワークは勾配ベースでモデルに依存しない。
その結果,提案フレームワークは大幅な性能向上を実現していることがわかった。
論文 参考訳（メタデータ） (2020-07-09T23:20:44Z)
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。