[論文レビュー] Valuating User Data in a Human-Centric Data Economy

Marius Paraschiv, Nikolaos Laoutaris|arXiv (Cornell University)|Aug 27, 2019

Privacy, Security, and Data Protection参考文献 17被引用数 4

ひとこと要約

この論文は、協力ゲーム理論におけるシャープレー値を用いて、人間中心のデータ経済においてユーザーの価値を評価し、適正に報酬を支払う公平で透明性のある手法を提案する。このフレームワークは映画推薦システムに適用され、ユーザーのレーティング行動によって測定される貢献度が、価値において顕著に異なることが示された。特に人気の高いまたはタイムリーなレーティングは収益に大きく寄与し、計算コストを抑えたスケーラブルな近似アルゴリズムを用いて、単純な手法を上回ることを実証した。

ABSTRACT

The idea of paying people for their data is increasingly seen as a promising direction for resolving privacy debates, improving the quality of online data, and even offering an alternative to labor-based compensation in a future dominated by automation and self-operating machines. In this paper we demonstrate how a Human-Centric Data Economy would compensate the users of an online streaming service. We borrow the notion of the Shapley value from cooperative game theory to define what a fair compensation for each user should be for movie scores offered to the recommender system of the service. Since determining the Shapley value exactly is computationally inefficient in the general case, we derive faster alternatives using clustering, dimensionality reduction, and partial information. We apply our algorithms to a movie recommendation data set and demonstrate that different users may have a vastly different value for the service. We also analyze the reasons that some movie ratings may be more valuable than others and discuss the consequences for compensating users fairly.

研究の動機と目的

• ユーザーが価値を生み出しているにもかかわらず直接的な報酬を受けない現在のデータ経済における不均衡を是正すること。
• オンラインサービスにおけるユーザーのデータ貢献に対する公平で透明性のある金銭的価値の割り当て方法を開発すること。
• 協力ゲーム理論（特にシャープレー値）を用いて、推薦システムのパフォーマンスおよび収益に対する個々のユーザーの貢献度を定量化すること。
• 正確な計算にかかる指数的コストを回避しつつ、公平性と解釈可能性を損なわず、効率的にユーザー価値を推定するスケーラブルな近似アルゴリズムを設計すること。
• ユーザーが自身の行動データに基づいて報酬を検証できる、透明性がありプライバシーを保護する会計レイヤーを実現すること。

提案手法

• 協力ゲーム理論におけるシャープレー値を、ユーザーのデータ貢献に基づく公平な価値配分の理論的基盤として用いる。
• シャープレー値を用いて、映画レーティングを入力として、各ユーザーが映画推薦システムのパフォーマンスに果たす限界的貢献度を測定する。
• 大規模なユーザー集団における計算複雑性を低減するために、クラスタリングおよび次元削減技術を活用する。
• 正確な計算にかかる指数的コストを避けるために、部分情報とサンプリングに基づく近似を用いてシャープレー値を効率的に推定する。
• 推定されたユーザー価値を、固定された総収益配分をユーザーに再分配する前提で、金融的報酬に変換する。
• ユーザーが自身の行動データに基づいて報酬を監査・検証できる透明性のあるメタデータレイヤーを提案する。

実験結果

リサーチクエスチョン

• RQ1 人間中心のデータ経済において、ユーザーのデータ貢献はどのように公平に評価できるか？
• RQ2 推薦システムにおいて、何が特定のユーザーのレーティングを他のレーティングよりも価値あるものにするのか？
• RQ3 計算コストの高いシャープレー値を、公平性と解釈可能性を損なわず、効率的に近似する方法は何か？
• RQ4 ユーザーの貢献度を高める主な行動パターンは何か？
• RQ5 プライバシーを損なわず、ユーザーの実際のデータ貢献に基づいて公平に報酬を支払う方法は何か？

主な発見

• 人気の高い映画や新作映画にレーティングを行うユーザーは、推薦システムのパフォーマンスに顕著に寄与し、結果として高いデータ価値を持つ。
• シャープレー値は理論的に公平な報酬基準を提供するが、大規模システムでは正確な計算が現実的ではない。
• クラスタリングおよび次元削減に基づく近似アルゴリズムは、ユーザー価値の一般的な直感的評価と整合性を持つ結果を生み出す。
• ユーザーのデータ価値は一様ではない。特に注目されている映画に対するレーティングは、システムの精度と収益に与える影響の大きさから、他のレーティングよりも価値が高くなる。
• このフレームワークにより、透明性があり監査可能な報酬支払いが可能となり、データドリブンプラットフォームにおけるユーザーの信頼と参加意欲が向上する。
• 識別された主要な指標をもとに、交通データやソーシャルメディアなど、異なるデータタイプやユースケースへも一般化可能である。