[논문 리뷰] Valuating User Data in a Human-Centric Data Economy

Marius Paraschiv, Nikolaos Laoutaris|arXiv (Cornell University)|2019. 08. 27.

Privacy, Security, and Data Protection참고 문헌 17인용 수 4

한 줄 요약

이 논문은 협력 게임 이론에서 유래한 샤플리 값(Shapley value)을 활용해 인간 중심의 데이터 경제에서 사용자에게 공정하고 투명한 방식으로 가치를 평가하고 보상하는 방법을 제안한다. 이 방법은 영화 추천 시스템에 적용되어, 사용자의 평가 행동으로 측정된 기여도가 가치에 따라 크게 달라지며, 특히 인기 있거나 시기적절한 평가가 수익에 더 큰 기여를 한다는 것을 입증한다. 또한 정확한 계산의 비용이 높은 문제를 해결하기 위해 효율적인 근사 알고리즘을 제안하여 기초적인 방법보다 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 사용자가 가치를 창출하지만 직접적인 보상을 받지 못하는 현재의 데이터 경제에서의 불균형을 해결하기 위해.
• 온라인 서비스에서 사용자 데이터 기여도에 대한 공정하고 투명한 금액 평가 방법을 개발하기 위해.
• 협력 게임 이론—특히 샤플리 값—을 활용해 추천 시스템의 성능과 수익에 기여한 개별 사용자의 기여도를 정량화하기 위해.
• 정확한 계산의 지수적 비용을 피하면서도 공정성과 해석 가능성 손실 없이 효율적으로 사용자 가치를 근사하는 알고리즘을 설계하기 위해.
• 사용자가 자신의 행동 데이터를 기반으로 보상을 검증할 수 있도록 투명하고 개인정보 보호를 고려한 회계 레이어를 제공하기 위해.

제안 방법

• 사용자 간 공정한 가치 배분을 위한 이론적 기반으로 협력 게임 이론의 샤플리 값을 사용한다.
• 영화 평가를 입력으로 사용해 각 사용자의 영화 추천 시스템 성능에 대한 마진널 기여도를 샤플리 값으로 측정한다.
• 대규모 사용자 집합에서의 계산 복잡도를 줄이기 위해 클러스터링 및 차원 축소 기법을 활용한다.
• 정확한 계산의 지수적 비용을 피하기 위해 부분 정보 및 샘플링 기반 근사 기법을 사용해 샤플리 값을 효율적으로 추정한다.
• 추정된 사용자 가치를 기반으로 금액 보상으로 변환하며, 총 수익의 일정 비율을 사용자들에게 재분배한다고 가정한다.
• 사용자가 자신의 행동 데이터를 바탕으로 보상을 감사하고 검증할 수 있도록 투명한 메타데이터 레이어를 제안한다.

실험 결과

연구 질문

• RQ1 인간 중심의 데이터 경제에서 사용자 데이터 기여도는 어떻게 공정하게 평가할 수 있는가?
• RQ2 추천 시스템에서 어떤 사용자 평가가 다른 평가보다 더 가치가 높은가?
• RQ3 계산 비용이 높은 샤플리 값을 공정성과 해석 가능성 손실 없이 효율적으로 근사할 수 있는가?
• RQ4 서비스 수익에 기여도를 높이는 주요 행동 패턴은 무엇인가?
• RQ5 개인정보 보호를 해치지 않으면서도 실제 데이터 기여도에 기반해 사용자를 공정하게 보상할 수 있는가?

주요 결과

• 인기 있거나 신작 영화를 평가하는 사용자는 추천 시스템의 성능에 더 크게 기여하므로 데이터 가치가 높다.
• 샤플리 값은 공정한 보상 기준을 이론적으로 제공하지만, 대규모 시스템에서는 정확한 계산이 비현실적이다.
• 클러스터링과 차원 축소 기반의 근사 알고리즘은 사용자 가치 평가에 대해 직관적인 평가와 일치하는 결과를 도출한다.
• 사용자 데이터의 가치는 균일하지 않으며, 특히 시장에서 주목받는 영화에 대한 평가가 시스템 정확도와 수익에 미치는 영향으로 인해 더 높은 가치를 가진다.
• 이 프레임워크는 투명하고 감사 가능한 보상 체계를 제공하여 사용자의 데이터 기반 플랫폼 참여도와 신뢰도를 높인다.
• 핵심 지표가 확보되면 이 방법은 교통 데이터나 소셜 미디어 등 다양한 데이터 유형과 응용 분야로 일반화가 가능하다.