論文の概要: The Price of Ignorance: Information-Free Quotation for Data Retention in Machine Unlearning

• arxiv url: http://arxiv.org/abs/2604.11511v1
• Date: Mon, 13 Apr 2026 14:14:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.593736
• Title: The Price of Ignorance: Information-Free Quotation for Data Retention in Machine Unlearning
• Title（参考訳）: 無視の代償:機械学習におけるデータ保持のための情報フリー・クオテーション
• Authors: Bin Han, Di Feng, Zexin Fang, Jie Wang, Hans D. Schotten,
• Abstract要約: 我々は,ユーザのパラメータの知識を必要とせず,ユーザがデータ供給を自己選択する情報フリーな上昇引用機構を設計する。 我々は、最適パーソナライズされた価格(すべてを知っている)と情報のない引用(何も知らない)との福祉ギャップを、無視の価格を形式化する。
• 参考スコア（独自算出の注目度）: 9.926764766573056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When users exercise data deletion rights under the General Data Protection Regulation (GDPR) and similar regulations, mobile network operators face a tradeoff: excessive machine unlearning degrades model accuracy and incurs retraining costs, yet existing pricing mechanisms for data retention require the server to know every user's private privacy and accuracy preferences, which is infeasible under the very regulations that motivate unlearning. We ask: what is the welfare cost of operating without this private information? We design an information-free ascending quotation mechanism where the server broadcasts progressively higher prices and users self-select their data supply, requiring no knowledge of users' parameters. Under complete information, the protocol admits a unique subgame-perfect Nash equilibrium characterized by single-period selling. We formalize the Price of Ignorance -- the welfare gap between optimal personalized pricing (which knows everything) and our information-free quotation (which knows nothing) -- and prove a three-regime efficiency ordering. Numerical evaluation across seven mechanisms and 5000 Monte Carlo runs shows that this price is near zero: the information-free mechanism achieves >=99% of the welfare of its information-intensive benchmarks, while providing noise-robust guarantees and comparable fairness.
• Abstract（参考訳）: 過剰なマシンのアンラーニングはモデルの精度を低下させ、再トレーニングコストを発生させるが、データ保持のための既存の価格設定メカニズムでは、サーバーがユーザーのプライベートなプライバシと精度の選好を知る必要がある。 このプライベートな情報なしで運営する際の福祉費用はいくらか? 我々は,サーバが徐々に高い価格を放送し,ユーザがデータ供給を自己選択し,ユーザのパラメータの知識を必要とせず,情報フリーの上昇商法を設計する。 完全な情報の下では、このプロトコルは単一期間の販売を特徴とするユニークなサブゲーム完全ナッシュ均衡を認めている。 我々は、最適パーソナライズされた価格(すべてを知っている)と情報のない引用(何も知らない)との福祉ギャップである「無視の価格」を定式化し、三段階の効率の秩序を証明する。 7つのメカニズムと5000のモンテカルロランにわたる数値評価は、この価格がほぼゼロに近いことを示している:情報フリーメカニズムは、その情報集約型ベンチマークの福祉の99%を達成し、ノイズロバスト保証と同等の公平性を提供する。

関連論文リスト

• A Sustainable AI Economy Needs Data Deals That Work for Generators [56.949279542190084]
  機械学習のバリューチェーンは、経済的なデータ処理の不平等のため、構造的に持続不可能である、と我々は主張する。 73の公開データ取引を分析し、アグリゲータに価値の大部分が蓄積されていることを示す。 参加者全員に利益をもたらす最小市場を実現するために、等価なData-Value Exchange Frameworkを提案する。
  論文  参考訳（メタデータ） (2026-01-15T01:05:48Z)
• Designing DSIC Mechanisms for Data Sharing in the Era of Large Language Models [0.0]
  大規模言語モデル(LLM)のトレーニングには、法的、プライバシー、戦略的制約に直面している機関からの大量の高品質なデータが必要である。 本稿では,信頼度を最小化したデータ共有のためのメカニズム設計フレームワークを提案する。 我々は、プロバイダがデータコストと品質をプライベートに知るモデルを定式化し、その価値は、モデルの性能に対するデータの貢献からのみ生じます。
  論文  参考訳（メタデータ） (2025-06-01T22:17:18Z)
• Buyer-Initiated Auction Mechanism for Data Redemption in Machine Unlearning [10.43572220941666]
  人工知能(AI)の急速な成長はプライバシーの懸念を引き起こしている。 カリフォルニア州消費者プライバシ法(CCPA)のような主要な規制 データ償還のための買い手主導型オークション機構を提案する。
  論文  参考訳（メタデータ） (2025-03-29T07:44:34Z)
• Wasserstein Markets for Differentially-Private Data [1.4266656344673316]
  データ市場は、幅広いアクセスを可能にすると同時に、適切なプライバシーとユーティリティのトレードオフを決定する手段を提供する。 既存のデータ市場フレームワークでは、信頼できるサードパーティが高価なバリュエーションを実行するか、あるいはデータ価値の性質を把握できないかのいずれかが必要です。 本稿では,個人差分データに対するワッサーシュタイン距離に基づく評価機構とそれに対応する調達機構を提案する。
  論文  参考訳（メタデータ） (2024-12-03T17:40:26Z)
• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)

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。