[論文レビュー] Towards Data Auctions with Externalities

Anish Agarwal, Munther A. Dahleh+2 more|arXiv (Cornell University)|Mar 18, 2020

Auction Theory and Applications参考文献 32被引用数 6

ひとこと要約

この論文は、負の外部性を伴うデータオークションのメカニズム設計フレームワークを提案する。企業がデータを獲得する価値は、予測精度の向上と、競合企業へのデータ割り当てが及える競争的影響に依存する。精度の向上に基づく価値評価と仮想価値関数を用いてモデル化することで、著者らは外部性が大きいほど最適収益が増加することを示している。これは、入札者が割り当てられなくても、競合企業の勝利の戦略的脅威により支払いを強いられるからである。

ABSTRACT

The design of data markets has gained importance as firms increasingly use machine learning models fueled by externally acquired training data. A key consideration is the externalities firms face when data, though inherently freely replicable, is allocated to competing firms. In this setting, we demonstrate that a data seller's optimal revenue increases as firms can pay to prevent allocations to others. To do so, we first reduce the combinatorial problem of allocating and pricing multiple datasets to the auction of a single digital good by modeling utility for data through the increase in prediction accuracy it provides. We then derive welfare and revenue maximizing mechanisms, highlighting how the form of firms' private information - whether the externalities one exerts on others is known, or vice-versa - affects the resulting structures. In all cases, under appropriate assumptions, the optimal allocation rule is a single threshold per firm, where either all data is allocated or none is.

研究の動機と目的

• 競合企業がデータを獲得することによる負の外部性が生じるデータ市場において、形式的なメカニズム設計の欠如に取り組むこと。
• 内在的希少性や代替性ではなく、予測精度の向上に基づいて企業のデータ価値をモデル化すること。
• 外部性に関する非対称情報のもとで、収益最大化および福祉最大化のメカニズムを導出すること。
• 外部性の構造（把握可能か否か）が割り当ておよび価格設定ルールに与える影響を分析すること。
• 外部性が、データを割り当てられていない入札者からも収益を回収可能にすることを実証すること。

提案手法

• 予測精度の向上を指標として、スカラー指標（例：正規化されたMSE）を用いてデータセットの価値を要約する。
• 扱いやすい効用モデルを用いて、複数データ・複数入札者のオークション問題を単一のデジタル商品オークションに簡略化する。
• 仮想価値関数を用いて最適メカニズムを導出し、入札者の私的価値と外部性パラメータに依存するしきい値に基づく割り当てルールを提示する。
• 2つの状況を分析する：企業が他社に与える外部性を把握している場合（状況1）と、把握していない場合（状況2）で、後者は共通の事前分布を必要とする。
• Myersonの枠組みを用いて収益最大化メカニズムを導出し、仮想価値と外部性の脅威に基づいて支払いを決定する。
• 最適割り当てルールは、各企業に対して1つのしきい値であることが示され、仮想価値が外部性補正済みしきい値を上回るかどうかに応じて、全量割り当てまたは完全非割り当てのいずれかとなる。

実験結果

リサーチクエスチョン

• RQ1 データ割り当てが他の企業に悪影響を及えるという負の外部性が、データオークションの最適設計に与える影響は何か？
• RQ2 予測精度の向上と企業間競争の影響を両方とも捉える、扱いやすいデータ価値モデルを構築できるか？
• RQ3 情報構造（外部性が把握可能か否か）が最適メカニズムの形に与える影響は何か？
• RQ4 外部性が、データを受領しない入札者からも収益を回収可能にする仕組みは何か？
• RQ5 外部性の大きさが最適割り当て確率および総収益に与える影響は何か？

主な発見

• 最適割り当てルールは、1企業あたり1つのしきい値である。これは、データの総数に関わらず、全量割り当てまたは完全非割り当てのいずれかとなる。
• 外部性が把握可能である場合（状況1）、最適メカニズムは外部性の影響を支払いに組み込んだVCGメカニズムの変種である。
• 外部性が把握不可である場合（状況2）、メカニズムは共通の事前分布を必要とし、期待効用の推論に基づいて最適割り当てを決定する。
• 負の外部性の大きさが増すほど、最適収益が増加する。これは、入札者が割り当てられなくても、競合企業の勝利の脅威により支払いが発生するからである。
• 均一な価値評価の下では、最適収益は閉形式式（式13）で与えられ、収益は外部性パラメータηj←iに応じて増加する。
• どの入札者iに対しても、iが割り当てられていなくても、少なくとも∑j≠i ηj←iの収益が回収可能であることが示され、外部性が割り当てに基づく支払いを超えて収益を回収可能にすることを示している。