[論文レビュー] Privacy-Preserving Dynamic Personalized Pricing with Demand Learning

Xi Chen, David Simchi‐Levi+1 more|arXiv (Cornell University)|Sep 27, 2020

Privacy-Preserving Technologies in Data参考文献 41被引用数 25

ひとこと要約

本稿は、個人の顧客データを保護しつつ需要学習を実現するためのプライバシー保護型動的価格設定方針を提案する。予測的$(\varepsilon,\delta)$-微分プライバシーを用い、敵対的特徴では$\widetilde{O}(\varepsilon^{-1}\sqrt{d^3T})$のリグレットを達成し、確率的特徴では$\widetilde{O}(\sqrt{d^2T} + \varepsilon^{-2}d^2)$を達成する。収益最大化と強力なプライバシー保証の両立を実現する。

ABSTRACT

The prevalence of e-commerce has made detailed customers' personal information readily accessible to retailers, and this information has been widely used in pricing decisions. When involving personalized information, how to protect the privacy of such information becomes a critical issue in practice. In this paper, we consider a dynamic pricing problem over $T$ time periods with an \emph{unknown} demand function of posted price and personalized information. At each time $t$, the retailer observes an arriving customer's personal information and offers a price. The customer then makes the purchase decision, which will be utilized by the retailer to learn the underlying demand function. There is potentially a serious privacy concern during this process: a third party agent might infer the personalized information and purchase decisions from price changes from the pricing system. Using the fundamental framework of differential privacy from computer science, we develop a privacy-preserving dynamic pricing policy, which tries to maximize the retailer revenue while avoiding information leakage of individual customer's information and purchasing decisions. To this end, we first introduce a notion of \emph{anticipating} $(\varepsilon, δ)$-differential privacy that is tailored to dynamic pricing problem. Our policy achieves both the privacy guarantee and the performance guarantee in terms of regret. Roughly speaking, for $d$-dimensional personalized information, our algorithm achieves the expected regret at the order of $ ilde{O}(\varepsilon^{-1} \sqrt{d^3 T})$, when the customers' information is adversarially chosen. For stochastic personalized information, the regret bound can be further improved to $ ilde{O}(\sqrt{d^2T} + \varepsilon^{-2} d^2)$

研究の動機と目的

• 個人のデータと購入意思決定が価格変動から推測される可能性がある電子商取引における動的価格設定の深刻なプライバシーリスクに対処すること。
• 未知の需要関数のもとで、体系的かつ数学的に厳密なプライバシー保護型動的価格設定メカニズムを開発すること。
• 微分プライバシーを需要学習フレームワークに統合し、高い収益性能を維持すること。
• 個人情報に対して、敵対的および確率的設定の両方でプライバシーとリグレットの性能保証を確立すること。

提案手法

• 動的価格設定に特化した、予測的$(\varepsilon,\delta)$-微分プライバシーの新規概念を導入し、価格シーケンスを観測する敵対者に対してもプライバシーを保護することを目的とする。
• プライバシーのノイズを価格意思決定に組み込みつつ、潜在的な需要関数を学習する制約付き最尤推定（MLE）ポリシーを設計する。
• 需要関数を一般化線形モデルで表現し、個人情報と価格を捉える特徴ベクトル$\phi(x_t, p_t) \in \mathbb{R}^d$を用いる。
• 推定されたモデルパラメータに微分プライバシー機構（例：ラプラスまたはガウスノイズ）を適用し、個人のプライバシーを保証する。
• 小売業者が顧客の反応を観測し、時間経過とともに需要モデルを更新する、バンドイットスタイルの学習フレームワークを採用する。
• 個人情報$x_t$が敵対的および確率的設定のもとで選択された場合のリグレットバウンドを導出する。

実験結果

リサーチクエスチョン

• RQ1 価格シーケンスが個人のプライベート情報を漏洩させる可能性がある動的価格設定システムにおいて、微分プライバシーをどのように適合させられるか？
• RQ2 需要学習を伴う個人向け動的価格設定において、プライバシー保護と収益パフォーマンスのトレードオフはどのように測定できるか？
• RQ3 プライバシー保護型価格設定ポリシーは、$(\varepsilon,\delta)$-微分プライバシーを満たしつつ、サブラインアーリなリグレットを達成できるか？
• RQ4 プライバシーの水準（$\varepsilon$で制御）が、個人向け価格設定における消費者余剰に与える影響は何か？
• RQ5 敵対的および確率的顧客特徴のもとで、プライバシー保護型動的価格設定の理論的リグレットバウンドは何か？

主な発見

• 個人の特徴が敵対的に選択された場合、提案ポリシーは$\widetilde{O}(\varepsilon^{-1}\sqrt{d^3T})$の期待リグレットを達成する。
• 確率的個人特徴の下では、リグレットバウンドは$\widetilde{O}(\sqrt{d^2T} + \varepsilon^{-2}d^2)$に改善され、同分布データのもとでより優れたパフォーマンスを示す。
• $\varepsilon$が増加する（プライバシーが弱くなる）ほど、消費者余剰が増加し、価格差別化が軽減され、公平性が向上する傾向を示す。
• プライバシー保護メカニズムは、隣接する顧客データベースを区別する敵の能力を効果的に制限した。
• 数値実験により、プライバシー制約が売り手の余剰抽出能力を低下させることを確認し、経済的直観と整合する。
• このフレームワークは、ローカル微分プライバシーなどのより強いプライバシー概念へも拡張可能であり、分散環境における今後の研究の道筋を開く。