論文の概要: Privacy-preserving Information Sharing in Oligopoly Competitions

• arxiv url: http://arxiv.org/abs/2606.02348v1
• Date: Mon, 01 Jun 2026 14:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.305095
• Title: Privacy-preserving Information Sharing in Oligopoly Competitions
• Title（参考訳）: オリゴポリーコンペティションにおけるプライバシー保護情報共有
• Abstract要約: 競合するサプライヤー間の情報共有は不確実性の下で意思決定を改善することができる。 ライバルの搾取に関する 戦略的懸念は しばしば 自発的な開示を妨げます 本研究では,Cournot oligopolyにおける情報共有機構の需要不確実性について検討する。
• 参考スコア（独自算出の注目度）: 1.9573768098158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information sharing among competing suppliers can improve decision-making under uncertainty, yet strategic concerns regarding rival exploitation often deter voluntary disclosure. We study information-sharing mechanisms in a Cournot oligopoly with uncertain demand, where a platform aggregates suppliers' signals through privacy-preserving channels and may also possess an exogenous external signal. The central challenge is to balance strategic safety with informational utility: privacy noise reduces the exposure of individual signals, but also lowers the value of the shared information pool. We first characterize a baseline setting in which access to aggregated information is contingent on participation. In a two-firm market without an external signal, firms refuse to share regardless of the privacy level. In an \(n\)-firm market, sharing may arise even without privacy safeguards because non-participating firms lose access to the aggregated signal. Building on this baseline, we show that privacy protection alone is insufficient to incentivize disclosure; it must be combined with a sufficiently informative external signal. We further show that firms with more accurate private signals require stronger privacy protection. Overall, our results characterize the sharing-feasible region and highlight the complementarity between privacy design and the external information environment.
• Abstract（参考訳）: 競合するサプライヤ間の情報共有は不確実性の下で意思決定を改善することができるが、競合するエクスプロイトに関する戦略的懸念はしばしば自発的な開示を遅らせる。 本稿では,プライバシ保護チャネルを通じてサプライヤーの信号を集約し,外因性外因性信号も有するCournot oligopolyにおける情報共有機構について検討する。 プライバシーノイズは個々の信号の露出を減らすが、共有情報プールの価値も下げる。 まず、集約された情報へのアクセスが参加に付随するベースライン設定を特徴付ける。 外部のシグナルのない2つの確認済み市場では、企業はプライバシーレベルに関係なくシェアすることを拒否した。 n\ 確認された市場では、非参加企業が集約された信号にアクセスできなくなるため、プライバシー保護がなくても共有が生じる可能性がある。 このベースラインを構築すれば、プライバシ保護だけでは開示のインセンティブを得るには不十分であることが示され、十分な情報的外部信号と組み合わせなければならない。 さらに私たちは、より正確なプライベートシグナルを持つ企業は、より強力なプライバシー保護を必要としていることを示しています。 その結果,共有可能な領域を特徴付けるとともに,プライバシ設計と外部情報環境の相補性を強調した。

関連論文リスト

• Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy [50.66105844449181]
  個々の差別的プライバシ(iDP)は、ユーザが自身のプライバシをコントロールすることを約束するが、この約束は実際には破られる可能性がある。 我々は、サンプリングベースのiDPメカニズムにおいて、これまで見過ごされていた脆弱性を明らかにした。 我々は、$(varepsilon_i,_i,overline)$-iDPというプライバシー契約を提案します。
  論文  参考訳（メタデータ） (2026-01-19T10:26:12Z)
• The Sum Leaks More Than Its Parts: Compositional Privacy Risks and Mitigations in Multi-Agent Collaboration [72.33801123508145]
  大規模言語モデル(LLM)はマルチエージェントシステムに不可欠なものである。 プライバシーリスクは、暗記、直接推論、シングルターン評価を超えて現れる。 特に、相互作用によって構成される一見無害な反応は、敵が機密情報の回復を累積的に行うことができる。
  論文  参考訳（メタデータ） (2025-09-16T16:57:25Z)
• Multi-Hop Privacy Propagation for Differentially Private Federated Learning in Social Networks [1.5653612447564105]
  フェデレート学習は、ローカルデータを共有することなく、分散クライアント間で協調的なモデルトレーニングを可能にする。 クライアントのプライバシ損失は、そのプライバシ保護戦略だけでなく、他者のプライバシ決定にも依存する。 本稿では,間接的プライバシー漏洩を体系的に定量化する,社会的に認識されたプライバシー保護FL機構を提案する。
  論文  参考訳（メタデータ） (2025-08-11T06:53:32Z)
• Inferentially-Private Private Information [34.529977090471924]
  情報開示は、公開情報がプライベート情報と相関している場合、プライバシーを侵害する可能性がある。 本稿では,ベイズ敵対者が得る推論パワーを,解放された信号を観測することで,プライバシー漏洩を計測する推論プライバシの概念について考察する。 我々のゴールは、解放された信号の情報を最大限に活用する、秘密の私的情報構造を考案することである。
  論文  参考訳（メタデータ） (2024-10-22T15:21:00Z)
• Differentially Private Distributed Inference [2.4401219403555814]
  臨床試験に協力する医療センターは、知識共有と機密データ保護のバランスを取る必要がある。 情報漏洩を制御するために差分プライバシー(DP)を用いてこの問題に対処する。 エージェントはログリニアルールを通じて信条統計を更新し、DPノイズは信頼性の高い識別性と厳格な性能保証を提供する。
  論文  参考訳（メタデータ） (2024-02-13T01:38:01Z)
• 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)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Mitigating Leakage from Data Dependent Communications in Decentralized Computing using Differential Privacy [1.911678487931003]
  本稿では,ユーザ側分散計算における通信データ依存性を制御する汎用実行モデルを提案する。 私たちの公式なプライバシー保証は、シャッフルによるプライバシーの増幅に関する最近の結果を活用し、拡張します。
  論文  参考訳（メタデータ） (2021-12-23T08:30:17Z)
• Privacy Amplification via Shuffling for Linear Contextual Bandits [51.94904361874446]
  ディファレンシャルプライバシ(DP)を用いた文脈線形バンディット問題について検討する。 プライバシのシャッフルモデルを利用して,JDP と LDP のプライバシ/ユーティリティトレードオフを実現することができることを示す。 以上の結果から,ローカルプライバシを保ちながらシャッフルモデルを活用することで,JDPとDPのトレードオフを得ることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-12-11T15:23:28Z)
• 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)
• Adversarial representation learning for synthetic replacement of private attributes [0.7619404259039281]
  第1ステップでは機密情報を除去し,第2ステップではこの情報を独立したランダムサンプルに置き換える,という2つのステップを含む,データ民営化のための新しいアプローチを提案する。 本手法は, より強い敵を騙すようにモデルを訓練することで, 強いプライバシを確保するために, 敵対表現学習を基盤としている。
  論文  参考訳（メタデータ） (2020-06-14T22:07:19Z)

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。