[论文解读] 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 1

一句话总结

本文提出了一种博弈论框架，其中隐私在学习智能体之间的经济互动中内生产生。结果表明，在均衡中自然出现买家引发的隐私（规避）和卖家引发的隐私（承诺忽略信号），且卖家的承诺显著提升了效用。在重复博弈中，基于声誉的学习机制可使隐私内生产生，即使没有承诺亦然。

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.

研究动机与目标

• 将隐私建模为经济系统中的内生结果，而非外部施加的约束。
• 分析隐私如何通过买方与卖家之间的价格歧视博弈中的策略行为内生产生。
• 研究卖家对隐私的可信承诺的影响及其对均衡结果和效用的影响。
• 研究在学习过去行为并建立声誉的重复互动中，隐私如何内生产生。
• 评估无遗憾和无策略遗憾学习算法在实现最优隐私与效用结果方面的表现。

提出的方法

• 形式化一个包含两类买家（高估值与低估值）和信号披露卖家的价格歧视博弈。
• 刻画完美贝叶斯纳什均衡（PBNE），表明高估值买家会随机化其信号，从而产生买家引发的隐私。
• 引入卖家承诺忽略信号，形成新的均衡，实现卖家引发的隐私与真实报告。
• 建模不完全信息下的重复互动，买家通过声誉估计卖家实施价格歧视的概率。
• 采用无遗憾（如Exp3）和无策略遗憾学习算法对卖家进行建模，分析不同策略下的收敛性与效用。
• 通过模拟验证理论结果，测量效用与声誉估计值（α̂t）向真实值的收敛情况。

实验结果

研究问题

• RQ1 在单次价格歧视博弈中，买家引发的隐私作为均衡策略在何种条件下出现？
• RQ2 卖家能够可信承诺隐私的能力如何影响均衡结果与效用？
• RQ3 在无承诺的重复互动设定中，卖家引发的隐私能否内生产生？
• RQ4 基于声誉的学习对重复博弈中隐私保护行为的产生有何影响？
• RQ5 无遗憾与无策略遗憾学习算法在实现最优效用与隐私结果方面如何比较？

主要发现

• 在单次博弈中，高估值买家采用混合策略以伪装其类型，从而在完美贝叶斯纳什均衡下形成买家引发的隐私。
• 当卖家以正概率承诺忽略信号时，均衡转向卖家引发的隐私，消除了买家规避的需要，并提升了卖家效用。
• 卖家最优承诺策略可实现渐近最优的平均效用U∗₁，该值在无遗憾学习下不可达。
• 无遗憾卖家（如Exp3）虽在每轮中仍可实施价格歧视，且保持无遗憾特性，表明在该类学习下，卖家引发的隐私不会内生产生。
• 无策略遗憾学习使卖家能渐近实现最优效用水平U∗₁，且承诺策略本身是一种无策略遗憾算法。
• 模拟结果表明，买家的声誉估计器α̂t收敛至真实的价格歧视概率α，验证了声誉机制的一致性。