[論文レビュー] Privacy Can Arise Endogenously in an Economic System with Learning Agents

Nivasini Ananthakrishnan, Tiffany Ding+3 more|arXiv (Cornell University)|Jan 1, 2024

Economic theories and models被引用数 1

ひとこと要約

本稿は、学習エージェント間の経済的相互作用において、プライバシーが内生的に生じるゲーム理論的枠組みを提案する。結果として、買い手によるプライバシー（回避行動）と売り手によるプライバシー（信号を無視することへのコミットメント）が均衡において自然に生じ、売り手のコミットメントは効用を著しく向上させる。繰り返し設定では、レピュテーションに基づく学習が、コミットメントがなくても内生的プライバシーを生じさせる。

ABSTRACT

We study price-discrimination games between buyers and a seller where privacy arises endogenously--that is, utility maximization yields equilibrium strategies where privacy occurs naturally. In this game, buyers with a high valuation for a good have an incentive to keep their valuation private, lest the seller charge them a higher price. This yields an equilibrium where some buyers will send a signal that misrepresents their type with some probability; we refer to this as buyer-induced privacy. When the seller is able to publicly commit to providing a certain privacy level, we find that their equilibrium response is to commit to ignore buyers' signals with some positive probability; we refer to this as seller-induced privacy. We then turn our attention to a repeated interaction setting where the game parameters are unknown and the seller cannot credibly commit to a level of seller-induced privacy. In this setting, players must learn strategies based on information revealed in past rounds. We find that, even without commitment ability, seller-induced privacy arises as a result of reputation building. We characterize the resulting seller-induced privacy and seller's utility under no-regret and no-policy-regret learning algorithms and verify these results through simulations.

研究の動機と目的

• プライバシーを外部から課された制約ではなく、経済的システムにおける内生的結果としてモデル化すること。
• 買い手と売り手の間の価格差別化ゲームにおいて、戦略的行動を通じてプライバシーがどのように内生的に生じるかを分析すること。
• 売り手のプライバシーへのコミットメントの影響と、均衡結果および効用に与える影響を調査すること。
• プレイヤーが過去の行動から学び、レピュテーションを構築する繰り返し相互作用において、プライバシーがどのように生じるかを研究すること。
• 最適なプライバシーおよび効用の結果を達成するためのノーレグレットおよびノーポリシー・レグレット学習アルゴリズムのパフォーマンスを評価すること。

提案手法

• 2種類の買い手タイプ（高評価・低評価）と信号を暴露する売り手を有する価格差別化ゲームを形式化する。
• 完全ベイジアンナッシュ均衡（PBNE）を特徴づけ、高評価買い手が信号をランダム化することで、買い手によるプライバシーが生じることを示す。
• 売り手が信号を無視することにコミットする仕組みを導入し、新たな均衡を生じさせ、売り手によるプライバシーと真実の報告を実現する。
• 不完全情報の下での繰り返し相互作用をモデル化し、買い手が売り手の価格差別化確率をレピュテーションに基づいて推定する。
• ノーレグレット（例：Exp3）およびノーポリシー・レグレット学習アルゴリズムを売り手に適用し、異なる戦略下での収束性と効用を分析する。
• シミュレーションを用いて理論的結果を検証し、効用およびレピュテーション推定値（α̂t）の収束を測定する。

実験結果

リサーチクエスチョン

• RQ1 1ラウンドの価格差別化ゲームにおいて、買い手によるプライバシーが均衡戦略として生じる条件は何か？
• RQ2 売り手がプライバシーに誠実にコミットできる能力が、均衡結果および効用に与える影響は何か？
• RQ3 コミットメントがなければ、繰り返し相互作用の設定において売り手によるプライバシーが内生的に生じるか？
• RQ4 レピュテーションに基づく学習が、繰り返しゲームにおけるプライバシー保護行動の生じ方に与える影響は何か？
• RQ5 ノーレグレットおよびノーポリシー・レグレット学習アルゴリズムは、最適な効用およびプライバシーの結果を達成する上で、どのように比較されるか？

主な発見

• 1ラウンドゲームにおいて、高評価買い手は混合戦略を採用して自らのタイプを誤認させ、完全ベイジアンナッシュ均衡として買い手によるプライバシーが生じる。
• 売り手が信号を無視することに正の確率でコミットする場合、均衡は売り手によるプライバシーに移行し、買い手の回避行動の必要がなくなり、売り手の効用が向上する。
• 売り手の最適コミットメント戦略は、漸近的に可能な最高の平均効用U∗₁を達成し、ノーレグレット学習では到達不可能である。
• ノーレグレット売り手（例：Exp3）は、毎ラウンドで価格差別化を継続しつつもノーレグレットを維持できるため、このような学習下では売り手によるプライバシーは内生的に生じない。
• ノーポリシー・レグレット学習により、売り手は漸近的に最適効用レベルU∗₁に到達でき、かつコミットメント戦略自体がノーポリシー・レグレットアルゴリズムである。
• シミュレーションにより、買い手のレピュテーション推定器α̂tが真の価格差別化確率αに収束することが確認され、レピュテーションメカニズムの一貫性が裏付けられた。