[論文レビュー] Bounded-Loss Private Prediction Markets

Rafael Frongillo, Bo Waggoner|arXiv (Cornell University)|Feb 9, 2017

Sports Analytics and Performance被引用数 4

ひとこと要約

本稿は、限定的財務損失を実現する最初のプライベート予測市場を提示しており、微分プライバシー、インcentive互換性、予測へのノイズの影響低減を達成している。アービタージュに起因する損失を排除するために取引手数料を導入し、参加者が増加しても予算が一定のままであるように、段階的に拡大する市場構造を採用することで、先行研究におけるプライベート市場メカニズムの主要な制限を解決している。

ABSTRACT

Prior work has investigated variations of prediction markets that preserve participants' (differential) privacy, which formed the basis of useful mechanisms for purchasing data for machine learning objectives. Such markets required potentially unlimited financial subsidy, however, making them impractical. In this work, we design an adaptively-growing prediction market with a bounded financial subsidy, while achieving privacy, incentives to produce accurate predictions, and precision in the sense that market prices are not heavily impacted by the added privacy-preserving noise. We briefly discuss how our mechanism can extend to the data-purchasing setting, and its relationship to traditional learning algorithms.

研究の動機と目的

• 微分プライバシー予測市場における無限の財務的責任という問題に対処し、実用的導入を制限する要因を解消すること。
• 参加者が正確な予測を報告するインセンティブを持つように保ちながら、微分プライバシーを維持すること。
• プライバシー保護のためのノイズが市場価格に与える影響を最小限に抑え、予測の正確性を維持すること。
• 参加者数の増加に伴っても、限定的最悪ケース予算を保つメカニズムを設計すること。
• 機械学習における強力な理論的保証を伴う、実用的なデータ購入設定にまで拡張可能なプライベート市場メカニズムを構築すること。

提案手法

• Waggonerら[15]のメカニズムに、小さな、きめ細やかに調整された取引手数料を導入し、プライバシーのノイズに起因する期待されるアービタージュ利益を相殺すること。
• 取引手数料が、T（参加者数）に関してO((log T)²)の割合で増加する限定的最悪ケース損失を保証することを証明すること。
• 「二倍のテクニック」に類似した適応的市場拡大法を採用し、各段階で新しい市場インスタンスを用い、初期段階の余剰資金が後続段階を補填することにより、時間経過に伴っても予算が一定に保たれることを確保すること。
• 非パラメトリックで柔軟な表現を可能にするために、カーネルベースのコスト関数と再生ヒルバート空間（RKHS）手法を用いて予測市場をモデル化すること。
• 凸解析とブレグマンダイバージェンスを用いて市場更新を形式化し、FTRL（フォローザレギュライズドリーダー）のようなオンライン学習アルゴリズムと結びつけること。
• ガウス過程の境界を用いてノイズトレーダーの損失を分析し、出力空間Yが有限であるため、期待される最大ノイズ影響が有界であることを示すこと。

実験結果

リサーチクエスチョン

• RQ1 プライベート予測市場が微分プライバシーと限定的最悪ケース財務的損失を両立させることは可能か？
• RQ2 取引手数料により、プライバシー保護のためのノイズに起因するアービタージュ機会を排除できるか、かつインセンティブを損なわないか？
• RQ3 参加者数が任意に増加しても、予算が限定的で安定するように、適応的拡大市場を設計することは可能か？
• RQ4 プライバシー保護のためのノイズが市場価格に与える影響は、非プライベート市場と比較して、正確性の観点でどの程度か？
• RQ5 線形回帰や非パラメトリックカーネルモデルのようなパrameter化された設定へ、この市場メカニズムを拡張可能か？

主な発見

• 提案されたメカニズムは、取引手数料のおかげで、O((log T)²)の限定的最悪ケース財務的損失を達成し、プライバシーのノイズに起因するアービタージュリスクを完全に排除している。
• 適応的拡大市場構造により、Tが増加しても、初期段階の余剰資金を再利用することで、合計予算が時間経過に伴って一定に保たれることを保証している。
• メカニズムは微分プライバシー、インセンティブ互換性、予測へのノイズの影響低減を維持しており、ガウス過程の分析により、期待される最大ノイズ効果が有界であることが示されている。
• 市場価格の更新は、カーネル重み付きFTRLアルゴリズムに従い、市場ダイナミクスが標準的なオンライン学習手法と結びついている。
• 線形回帰のようなパrameter化されたモデルへも拡張可能であり、機械学習におけるデータ取得への広範な適用可能性を示唆している。
• 理論的分析により、ノイズトレーダーの損失が有界であることが確認されており、期待される最大偏差はTに関して対数的に増加する。