[論文レビュー] A Game-Theoretic Study on Non-Monetary Incentives in Data Analytics Projects with Privacy Implications

Michela Chessa, Jens Großklags+1 more|arXiv (Cornell University)|May 10, 2015

Privacy-Preserving Technologies in Data参考文献 43被引用数 4

ひとこと要約

本稿は、個人が自ら選んだ精度レベルでデータを自発的に寄付するデータ分析プロジェクトにおいて、その結果得られる母集団推定値を公共財とみなすゲーム理論的モデルを提案する。分析者が最小精度要件を課すことにより、金銭的インcentiveがなくても推定精度を著しく向上させることができ、プライバシー志向の異なる多様な個人が存在する集団においても、戦略的なユーザー選択の制限によって高品質な公共財を実現する。

ABSTRACT

The amount of personal information contributed by individuals to digital repositories such as social network sites has grown substantially. The existence of this data offers unprecedented opportunities for data analytics research in various domains of societal importance including medicine and public policy. The results of these analyses can be considered a public good which benefits data contributors as well as individuals who are not making their data available. At the same time, the release of personal information carries perceived and actual privacy risks to the contributors. Our research addresses this problem area. In our work, we study a game-theoretic model in which individuals take control over participation in data analytics projects in two ways: 1) individuals can contribute data at a self-chosen level of precision, and 2) individuals can decide whether they want to contribute at all (or not). From the analyst's perspective, we investigate to which degree the research analyst has flexibility to set requirements for data precision, so that individuals are still willing to contribute to the project, and the quality of the estimation improves. We study this tradeoff scenario for populations of homogeneous and heterogeneous individuals, and determine Nash equilibria that reflect the optimal level of participation and precision of contributions. We further prove that the analyst can substantially increase the accuracy of the analysis by imposing a lower bound on the precision of the data that users can reveal.

研究の動機と目的

• 参加者がプライバシーのコストと公共財の成果の利益の間でトレードオフを経験するデータ分析プロジェクトにおける個人のインcentiveをモデル化すること。
• 分析者がデータ寄付の最小精度要件を設定することで推定精度をどのように向上させられるかを分析すること。
• プライバシー志向の個人差が参加行動およびデータ品質に与える影響を理解すること。
• 戦略的なユーザー選択の制限が、非金銭的インcentive環境における公共財の供与をどのように向上させられるかを調査すること。
• コストを伴うデータ取得および多次元推定のシナリオにまでモデルを拡張すること。

提案手法

• 参加者が寄付の有無とその精度レベルの両方を自ら選ぶ非協力的ゲームを定式化する。
• 分析者の目的を、n人の参加者からの寄付を用いてスカラー量の母集団平均を推定することとしてモデル化する。
• 戦略空間の制限と推定品質の向上を目的として、最小精度制約を導入する。
• 同質的および非同質的参加者仮定下でのナッシュ均衡を分析し、均衡戦略の一意性を証明する。
• 参加者が寄付レベルを事前に学習した後で精度を選択する二段階意思決定構造を検討し、情報の影響が精度に与える影響を評価する。
• 非負のデータ収集コストを伴う状況にモデルを拡張し、同質的および非同質的集団における最適なサンプリング戦略を導出する。

実験結果

リサーチクエスチョン

• RQ1 分析者がデータ寄付者に対して最小精度要件を課すことにより、推定精度をどの程度向上させられるか。
• RQ2 プライバシー志向の多様性が、非金銭的データ分析プロジェクトにおける参加行動およびデータ精度に与える影響は何か。
• RQ3 過去の寄付者の選択についての情報を提供することで、このようなゲームにおける母集団推定の精度は向上するか。
• RQ4 データ収集コストが発生する場合、最適なユーザー数は何か。また、これはプライバシーコスト関数にどのように依存するか。
• RQ5 提案されたメカニズムは、多次元的またはモデルベースの推定タスクに一般化可能か。

主な発見

• 金銭的インcentiveがなくても、データ寄付に対する最小精度レベルの制限を課すことにより、母集団推定の精度が著しく向上することが示された。
• 同質的および非同質的集団を含む、すべての検討事例において一意なナッシュ均衡が存在し、戦略的予測可能性が保証された。
• 過去の寄付者の選択についての情報を提供しても、推定精度は向上せず、直感的な期待とは反対の結果となった。
• コストを伴うデータ収集下での分析者の最適戦略は、プライバシーコスト関数に基づいてユーザーの部分集合を選択することであり、定理4から明確な順序付けが導かれた。
• 最小限の仮定しか必要としないため、任意のプライバシーコスト関数および推定コスト関数に対して、この手法は安定しており、一般化可能性が高まる。
• 本手法は、データ分析における公共財の供与を改善するための、単純で非金銭的代替策を提供する。