[논문 리뷰] Privacy-Preserving Dynamic Personalized Pricing with Demand Learning

Xi Chen, David Simchi‐Levi외 1명|arXiv (Cornell University)|2020. 09. 27.

Privacy-Preserving Technologies in Data참고 문헌 41인용 수 25

한 줄 요약

이 논문은 개인 고객 데이터를 보호하면서도 수요를 개인 맞춤 가격 설정을 통해 학습할 수 있도록 하는 프라이버시 보장 동적 가격 정책을 제안한다. 공격자에 의해 관찰되는 가격 시계열에 대비해 예측 가능한 $(\varepsilon,\delta)$-차별적 프라이버시를 사용하며, 공격자에 의한 특성에 대한 유추를 방지한다. 공격자에 의한 특성 선택 조건에서는 $\widetilde{O}(\varepsilon^{-1}\sqrt{d^3T})$의 손실을 달성하고, 확률적 특성 조건에서는 $\widetilde{O}(\sqrt{d^2T} + \varepsilon^{-2}d^2)$의 손실을 달성하여 수익 극대화와 강력한 프라이버시 보장을 균형 있게 유지한다.

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)$

연구 동기 및 목표

• 개인 맞춤 데이터와 구매 결정이 가격 변화로부터 추론될 수 있는 전자상거래 동적 가격 설정에서의 잠재적 프라이버시 위험을 해결하기 위해.
• 알 수 없는 수요 함수 하에서 체계적이고 수학적으로 엄밀한 프라이버시 보장 메커니즘을 개발하기 위해.
• 수요 학습 프레임워크에 차별적 프라이버시를 통합하여 높은 수익 성능를 유지하기 위해.
• 개인 맞춤 정보에 대해 공격자에 의한 특성 선택 조건과 확률적 조건에서 모두 프라이버시 및 손실 성능 보장을 수립하기 위해.

제안 방법

• 동적 가격 설정에 특화된 새로운 예측 가능한 $(\varepsilon,\delta)$-차별적 프라이버시 개념을 도입하여, 공격자가 가격 시계열을 관찰하더라도 프라이버시를 유지할 수 있도록 한다.
• 수요 함수를 학습하면서도 프라이버시 노이즈를 가격 결정에 통합하는 제약 조건이 부여된 최대우도추정(MLE) 정책을 설계한다.
• 수요 함수를 일반화된 선형 모델로 표현하며, 개인 맞춤 정보와 가격을 캡처하는 특성 벡터 $\phi(x_t, p_t) \in \mathbb{R}^d$ 를 사용한다.
• 개인의 프라이버시를 보장하기 위해 추정된 모델 파라미터에 차별적 프라이버시 메커니즘(예: 라플라스 또는 가우시안 노이즈)을 적용한다.
• 소매업자가 고객의 반응을 관찰하고 시간이 지남에 따라 수요 모델을 업데이트하는 방식으로, 밴딧 스타일의 학습 프레임워크를 활용한다.
• 개인 맞춤 정보 $x_t$ 에 대해 무작위 공격자 조건과 확률적 조건 모두에서 손실 경계를 유도한다.

실험 결과

연구 질문

• RQ1 가격 시계열이 개인 고객 정보를 泄露할 수 있는 동적 가격 시스템에 차별적 프라이버시를 어떻게 적응시킬 수 있는가?
• RQ2 수요 학습이 수반된 개인 맞춤 동적 가격 설정에서 프라이버시 보호와 수익 성능 간의 상호 교환 관계는 어떠한가?
• RQ3 프라이버시 보장 정책이 $(\varepsilon,\delta)$-차별적 프라이버시를 확보하면서도 하위선형 손실을 달성할 수 있는가?
• RQ4 프라이버시 수준(에프실론 $\varepsilon$ 로 제어됨)이 개인 맞춤 가격 설정에서 소비자 잉여에 어떤 영향을 미치는가?
• RQ5 공격자에 의한 특성 선택 조건과 확률적 고객 특성 조건에서 프라이버시 보장 동적 가격 설정의 이론적 손실 경계는 무엇인가?

주요 결과

• 개인 맞춤 특성이 공격자에 의해 선택될 경우, 제안된 정책은 $\widetilde{O}(\varepsilon^{-1}\sqrt{d^3T})$의 기대 손실을 달성한다.
• 확률적 개인 맞춤 특성 조건에서는 손실 경계가 $\widetilde{O}(\sqrt{d^2T} + \varepsilon^{-2}d^2)$로 향상되어, 동일한 분포 데이터에서 더 우수한 성능을 보인다.
• 에프실론 $\varepsilon$ 가 증가함에 따라(프라이버시가 약해짐) 소비자 잉여가 증가하여, 가격 차별화가 감소하고 공정성이 향상됨을 시사한다.
• 프라이버시 보장 메커니즘이 공격자가 이웃한 고객 데이터베이스를 구분하는 능력을 효과적으로 제한함을 입증하였다.
• 수치 실험 결과는 프라이버시 제약이 판매자의 수익 추출 능력을 감소시키며, 경제적 직관과 일치함을 확인하였다.
• 이 프레임워크는 국소 차별적 프라이버시와 같은 더 강력한 프라이버시 개념으로도 확장 가능하여, 향후 분산 환경에서의 연구를 위한 길을 열어준다.