[論文レビュー] Optimum Statistical Estimation with Strategic Data Sources

Yang Cai, Constantinos Daskalakis+1 more|arXiv (Cornell University)|Aug 11, 2014

Mobile Crowdsensing and Crowdsourcing参考文献 19被引用数 39

ひとこと要約

本稿は、線形回帰や多項式回帰などの統計推定器に高品質なデータを供給する戦略的データ提供者を最適にインセンティブ化するメカニズム設計フレームワークを提案する。推定誤差と支払いコストの加重和を最小化することを目的とする。予測誤差をベンチマーク推定器に対する相対誤差に基づく支払いスキームを用いることで、支配戦略を介して作業者が最適な努力を払うよう誘導し、期待値において社会的最適性を達成する。

ABSTRACT

We propose an optimum mechanism for providing monetary incentives to the data sources of a statistical estimator such as linear regression, so that high quality data is provided at low cost, in the sense that the sum of payments and estimation error is minimized. The mechanism applies to a broad range of estimators, including linear and polynomial regression, kernel regression, and, under some additional assumptions, ridge regression. It also generalizes to several objectives, including minimizing estimation error subject to budget constraints. Besides our concrete results for regression problems, we contribute a mechanism design framework through which to design and analyze statistical estimators whose examples are supplied by workers with cost for labeling said examples.

研究の動機と目的

• 線形回帰や多項式回帰などの統計推定器に高品質なデータを供給するデータ提供者をインセンティブ化するメカニズムを設計すること。
• 戦略的データソース下での統計的推定において、推定誤差と総支払いの加重和を最小化すること。
• 経費制約や代替誤差指標など、さまざまな目的関数に一般化すること。
• 真の関数が未知であっても、作業者の最適戦略が社会的最適と一致することを保証すること。
• リッジ回帰などの正則化推定器への適用を拡張し、バイアス項を修正された支払い関数で補償することでインcentive compatibilityを達成すること。

提案手法

• 推定値とベンチマーク推定値の間の二乗誤差に基づく支払いルールを用い、作業者が誤差のコストを内部化するようにする。
• 他の作業者からのデータで訓練されたベンチマーク推定器を用いるため、真の関数を知らなくてもスキームを計算可能にする。
• 各作業者の最良応答が、期待される社会的コストを最小化する努力水準を選ぶことになるようにし、支配戦略均衡を達成する。
• リッジ回帰の場合、平均二乗誤差をバイアスと分散の成分に分解し、期待値においてバイアス項を相殺するように支払いを修正する。
• 支払いの増加関数であれば任意に一般化可能であり、最適化目的関数を再定式化することで経費制約にも対応可能である。
• 品質-努力関数が既知である限り、カーネル回帰や多項式回帰を含む広範な推定器クラスに適用可能である。

実験結果

リサーチクエスチョン

• RQ1 統計学者は、最小限のコストで戦略的データ提供者から高品質なデータを引き出す支払いメカニズムをどのように設計できるか？
• RQ2 作業者の支配戦略が推定誤差と努力コストの社会的最適に導くようなメカニズムを構築可能か？
• RQ3 真の関数が未知である状況で、バイアスを有する推定器（例：リッジ回帰）に適応するにはどうすればよいか？
• RQ4 目的関数に経費制約や作業者固有の重みが含まれる場合、インcentive compatibilityを維持するために必要な修正は何か？
• RQ5 平均二乗誤差以外の指標や他の損失関数に一般化可能か？

主な発見

• 支配戦略均衡が達成され、各作業者の最適努力水準が社会的最適と一致し、推定誤差と総努力コストの和が最小化される。
• 線形回帰および多項式回帰において、期待支払いが作業者の努力コストに丁度一致し、余剰が排除され、期待値において経費バランスが達成される。
• リッジ回帰への一般化は、期待値においてバイアス項を相殺するように支払い関数を修正することで可能となり、真の関数が未知であってもインcentive compatibilityが維持される。
• 経費制約下でも、推定誤差を総努力または支払いの上限条件下で最小化するように最適化問題を再定式化することで、メカニズムは依然として有効である。
• 支払いの増加関数や一般誤差関数に対しても拡張可能であり、真の関数に依存しない限り、適用可能である。
• 真の関数fに関する知識がなくてもメカニズムは頑健である。支払いは観測可能なデータ、推定器、および既知の品質関数にのみ依存する。