[論文レビュー] Revenue-Optimal Pricing for Budget-Constrained Buyers in Data Markets

Bhaskar Ray Chaudhury, Jugal Garg+2 more|arXiv (Cornell University)|Feb 14, 2026

Advanced Bandit Algorithms Research被引用数 0

ひとこと要約

要約: 本論文は、予算制約付き buyers を対象としたデータ市場における収益最大化 pricing を研究しており、非線形 pricing は多項式時間で解ける一方、線形 pricing は APX-hard であり、実用的な近似アルゴリズムがある。

ABSTRACT

We study revenue-optimal pricing in data markets with rational, budget-constrained buyers. Such a market offers multiple datasets for sale, and buyers aim to improve the accuracy of their prediction tasks by acquiring data bundles. For each dataset, the market sets a pricing function, which maps the number of records purchased from the dataset to a non-negative price. The market's objective is to set these pricing functions to maximize total revenue, considering that buyers with quasi-linear utilities choose their bundles optimally under budget constraints. We analyze optimal pricing when each dataset's pricing function is only required to be monotone and lower-continuous. Surprisingly, even with this generality, optimal pricing has a highly structured form: it is piecewise linear and convex (PLC) and can be computed efficiently via an LP. Moreover, the total number of kinks across all pricing functions is bounded by the number of buyers. Thus, when datasets far outnumber buyers, most pricing functions are effectively linear. This motivates studying linear pricing, where each record in a dataset is priced uniformly. Although competitive equilibrium gives revenue-optimal linear prices in rivalrous markets with quasi-linear buyers, we show that revenue maximization under linear pricing in data markets is APX-hard. Hence, a striking computational dichotomy emerges: fully general (nonlinear) pricing admits a polynomial-time algorithm, while the simpler linear scheme is APX-hard. Despite the hardness, we design a 2-approximation algorithm when datasets arrive online, and a $(1-1/e)^{-1}$-approximation algorithm for the offline setting. Our framework lays the groundwork for exploring more general pricing schemes, richer utility models, and a deeper understanding of how market structure -- rivalrous versus non-rivalrous -- shapes revenue-optimal pricing.

研究の動機と目的

• m 個のデータセットと予算を持つ n 人のバイヤーを持つ集中型データ市場をモデル化する。
• 単調な下限連続 pricing の下で最適 pricing 関数を特徴付ける。
• 最適な非線形 pricing は分割線形かつ凸（PLC）であり、LP によって計算可能であることを示す。
• 非線形 pricing が多項式時間で解ける一方、線形 pricing は APX-hard であるという複雑性の二分法を確立する。

提案手法

• データの精度価値とデータセットごとのコストを含む買い手の効用を定式化する。
• 最適 ML C pricing 関数は凸包と PLC近似を介して得られることを証明する。
• 最適な PLC pricing を計算する LP を導出し、構造的性質（ kink は n により制限）を示す。
• 線形 pricing の領域では収益最大化が APX-hard であることを示す。
• 近似アルゴリズムを提示する：オンラインでの 2-近似、オフラインでの (1-1/e)^{-1} 近似。

実験結果

リサーチクエスチョン

• RQ1 予算制約付きの準線形購買者に対して、データ市場はどのようにデータセットの価格を設定して総収益を最大化すべきか。
• RQ2 単調な下限連続 pricing の下で収益最適 pricing の構造的形は何か。
• RQ3 非線形 pricing は効率的に計算できるのか、線形 pricing と比較して計算複雑性とパフォーマンスはどうなるのか。
• RQ4 オンライン対オフライン設定で線形 pricing に対してどの程度の近似が可能か。

主な発見

• 価格設定問題の最適解は多項式時間で計算できる。
• 最適な非線形 pricing は分割線形かつ凸（PLC）で、データセットあたり平均して最大 n 個のブレークポイントを持ち、全データセットにわたる kink の総数は買い手の数で上限がある。
• 問題には二項性が存在する：非線形 pricing は多項式時間で解けるが、線形 pricing は APX-hard。
• データセットを線形に価格付けする場合、オンライン到着で 2 近似、オフライン設定で (1-1/e)^{-1} 近似が成り立つ。
• 閉形式の収益式 r(p) が存在する： r(p) = sum_i min(b_i, sum_{j: tau_{i,j} >= p_j} p_j)、つまり相互競合なしで個々の買い手寄与を反映している。