[論文レビュー] Online Pricing with Reserve Price Constraint for Personal Data Markets

Chaoyue Niu, Zhenzhe Zheng+3 more|arXiv (Cornell University)|Nov 28, 2019

Privacy-Preserving Technologies in Data参考文献 56被引用数 4

ひとこと要約

本稿は、オンライン個人データ市場におけるリーマン価格制約を備えた文脈的動的価格設定メカニズムを提案し、正則化された最適化を用いて収益最大化における後悔を最小化する。低不確実性下では最悪ケースの後悔が対数的であり、低レイテンシーと低メモリオーバーヘッドを実現し、データ市場、ホスピタリティ、広告応用分野において有効性を示す。

ABSTRACT

The society's insatiable appetites for personal data are driving the emergency of data markets, allowing data consumers to launch customized queries over the datasets collected by a data broker from data owners. In this paper, we study how the data broker can maximize her cumulative revenue by posting reasonable prices for sequential queries. We thus propose a contextual dynamic pricing mechanism with the reserve price constraint, which features the properties of ellipsoid for efficient online optimization, and can support linear and non-linear market value models with uncertainty. In particular, under low uncertainty, our pricing mechanism provides a worst-case regret logarithmic in the number of queries. We further extend to other similar application scenarios, including hospitality service, online advertising, and loan application, and extensively evaluate three pricing instances of noisy linear query, accommodation rental, and impression over MovieLens 20M dataset, Airbnb listings in U.S. major cities, and Avazu mobile ad click dataset, respectively. The analysis and evaluation results reveal that our proposed pricing mechanism incurs low practical regret, online latency, and memory overhead, and also demonstrate that the existence of reserve price can mitigate the cold-start problem in a posted price mechanism, and thus can reduce the cumulative regret.

研究の動機と目的

• 不確実なクエリ価値を伴うオンライン個人データ市場におけるデータブローカーの収益最大化に取り組む。
• コールドスタート問題を軽減するため、リーマン価格制約を組み込んだ動的価格設定メカニズムを設計する。
• 効率的なオンライン最適化を用いて、不確実性下での線形および非線形市場価値モデルをサポートする。
• データ市場、ホスピタリティ、オンライン広告の分野における多様な実世界のデータセットを用いて、メカニズムを評価する。
• 動的価格設定シナリオにおいて、低実用的後悔、低オンラインレイテンシー、および低メモリ効率性を実証する。

提案手法

• 市場価値推定における不確実性を表現するため、楕円体知識集合を採用し、効率的なオンライン最適化を可能にする。
• データブローカーがクエリの文脈と履歴フィードバックに基づいて価格を提示する文脈的動的価格設定フレームワークを採用する。
• 最小価格スレッショルドを設定するリーマン価格制約を適用し、価格の過小評価を防ぎ、初期の後悔を低減する。
• 勾配に基づくオンライン学習アルゴリズムを実装し、楕円体更新を用いて市場価値の重みベクトルに関する信念を維持・精緻化する。
• 特徴空間の変換を用いて非線形市場価値モデルへ拡張し、楕円体近似を用いて不確実性を維持する。
• 売買の有無（売却／非売却）というバイナリフィードバックのみを観測するフィードバックメカニズムを導入し、部分情報下でも運用可能にする。

実験結果

リサーチクエスチョン

• RQ1 不確実なクエリ価値を伴うオンライン個人データ市場において、データブローカーはどのように累積収益を最大化できるか？
• RQ2 リーマン価格制約を組み込むことで、提示価格メカニズムにおける累積後悔はどの程度低減されるか？
• RQ3 限られたフィードバックと高次元の文脈下で、楕円体最適化フレームワークは低後悔を達成できるか？
• RQ4 リーマン価格はオンライン価格設定システムにおけるコールドスタート問題をどの程度軽減するか？
• RQ5 提案されたメカニズムは、データ市場、ホスピタリティ、オンライン広告といった異なるアプリケーションドメインにどの程度一般化可能か？

主な発見

• 提案されたメカニズムは、低不確実性下でクエリ数に関して対数的となる最悪ケースの後悔を達成し、非リーマンベースのアプローチを著しく上回る。
• リーマン価格制約の導入により、コールドスタート問題が効果的に軽減され、初期の後悔が低減し、収束が加速する。
• MovieLens 20M、Airbnb U.S. リストイング、Avazu広告クリックデータセットを用いた実証的評価では、低実用的後悔、低オンラインレイテンシー、最小限のメモリオーバーヘッドが確認された。
• メカニズムは線形および非線形市場価値モデルの両方をサポートしながらも、楕円体近似により計算効率を維持する。
• バイナリ売買／非売買の結果に基づくフィードバックメカニズムにより、情報が限られた状況下でも頑健な性能を発揮する。
• 結果から、リーマン価格制約が価格設定の品質を向上させ、価格の過小評価を防ぎ、収益最適化を強化することが実証された。