[논문 리뷰] Online Pricing with Reserve Price Constraint for Personal Data Markets

Chaoyue Niu, Zhenzhe Zheng외 3명|arXiv (Cornell University)|2019. 11. 28.

Privacy-Preserving Technologies in Data참고 문헌 56인용 수 4

한 줄 요약

이 논문은 개인 데이터 마켓에서 예측 불확실성 하에 수익 최적화를 위해 유한한 예약 가격 제약 조건을 갖춘 문맥적 동적 가격 설정 메커니즘을 제안한다. 타원체 최적화를 사용하여 수익 최대화에서의 회귀를 최소화한다. 낮은 불확실성 하에서 최악의 경우 회귀는 로그 수준이며, 데이터 마켓, 환대 산업, 광고 응용 분야에서 낮은 지연과 낮은 메모리 오버헤드로 효과를 보인다.

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.

연구 동기 및 목표

• 예측 불확실성이 존재하는 온라인 개인 데이터 마켓에서 데이터 브로커의 수익을 최대화하는 데 도전하는 것.
• 냉각기 문제를 완화하기 위해 예약 가격 제약 조건을 통합한 동적 가격 설정 메커니즘을 설계하는 것.
• 효율적인 온라인 최적화를 통해 불확실성 하에서 선형 및 비선형 시장 가치 모델을 모두 지원하는 것.
• 데이터 마켓, 환대 산업, 온라인 광고에서 다양한 실제 데이터셋을 대상으로 메커니즘을 평가하는 것.
• 동적 가격 설정 시나리오에서 낮은 실용적 회귀, 낮은 온라인 지연, 메모리 효율성을 입증하는 것.

제안 방법

• 시장 가치 추정의 불확실성을 표현하기 위해 타원체 지식 집합을 사용하여 효율적인 온라인 최적화를 가능하게 한다.
• 데이터 브로커가 쿼리의 맥락과 이력 피드백에 기반해 가격을 제시하는 맥락 기반 동적 가격 설정 프레임워크를 사용한다.
• 최소 가격 기준을 설정하는 예약 가격 제약 조건을 적용하여 가격 낮추기 문제를 방지하고 초기 회귀를 감소시킨다.
• 가중치 벡터의 신뢰도를 유지하고 개선하기 위해 타원체 업데이트를 사용하는 기울기 기반 온라인 학습 알고리즘을 구현한다.
• 특성 공간을 변환하여 비선형 시장 가치 모델에 메커니즘의 적용을 확장하고, 타원체 근사로 불확실성을 유지한다.
• 판매/미판매와 같은 이진 피드백만 관측되는 피드백 메커니즘을 도입하여 부분 정보 하에서도 작동 가능하게 한다.

실험 결과

연구 질문

• RQ1 예측 불확실성이 존재하는 온라인 개인 데이터 마켓에서 데이터 브로커는 누적 수익을 어떻게 최대화할 수 있는가?
• RQ2 예약 가격 제약 조건을 통합함으로써 제시 가격 메커니즘에서 누적 회귀에 어떤 영향을 미치는가?
• RQ3 제한된 피드백과 고차원 맥락 하에서 타원체 최적화 프레임워크는 낮은 회귀를 달성할 수 있는가?
• RQ4 예약 가격은 온라인 가격 설정 시스템의 냉각기 문제를 어떻게 완화하는가?
• RQ5 제안된 메커니즘은 데이터 마켓, 환대 산업, 온라인 광고와 같은 다양한 애플리케이션 도메인으로 일반화되는가?

주요 결과

• 낮은 불확실성 하에서 제안된 메커니즘이 쿼리 수에 대해 로그 수준의 최악의 경우 회귀를 달성하며, 예약 기반 비대비 접근법보다 뚜렷이 뛰어나다.
• 예약 가격 제약 조건의 통합은 냉각기 문제를 효과적으로 완화하여 초기 회귀를 감소시키고 수렴 속도를 높인다.
• MovieLens 20M, Airbnb U.S. 리스트, Avazu 광고 클릭 데이터셋에 대한 실증 평가 결과, 낮은 실용적 회귀, 낮은 온라인 지연, 최소한의 메모리 오버헤드를 입증하였다.
• 메커니즘은 계산 효율성을 타원체 근사로 유지하면서 선형 및 비선형 시장 가치 모델 모두를 지원한다.
• 판매/미판매 결과만 기반으로 하는 피드백 메커니즘은 제한된 정보 하에서도 뛰어난 성능을 발휘한다.
• 결과는 예약 가격 제약 조건이 가격 낮추기 방지를 통해 수익 최적화를 향상시키고 초기 결정 품질을 향상시켜 수익 최적화를 향상시킨다는 점을 검증한다.