隐私保护的动态个性化定价与需求学习
本次研究讨论如何在无限供应的物品定价拍卖中最大化收益并保护买家隐私,提出了一种新算法,提供了不同隐私保证的指数权重元算法,对于收益函数的间断问题进行了缓解,其结构类似于指数机制,适用于买家分阶段进行竞标的情况,具有次线性的遗憾率。
May, 2023
该研究介绍了在 f - 差分隐私框架中估计隐私保护最优库存策略的新方法,通过使用剪切噪声梯度下降算法和卷积平滑来同时解决未知需求分布和非光滑损失函数、个体层面数据的可证的隐私保证以及期望的统计精度等三个主要挑战。
Apr, 2024
在这篇研究论文中,我们研究了动态定价问题,其中客户对当前价格的反应受到客户的价格期望(参考价格)的影响。我们研究了一种简单而新颖的参考价格机制,其中参考价格是卖方过去所提供的价格的平均值。我们证明,在这种机制下,降价政策是近乎最优的,无论模型的参数如何。此外,我们提供了线性需求模型下近乎最优降价政策的详细特征描述,并提供了一种高效的计算方法。然后,我们考虑了一种更具挑战性的动态定价和学习问题,其中需求模型参数是先验未知的,卖方需要从客户对所提供价格的反应中在线学习这些参数,并同时优化收入。我们的目标是最小化遗憾,即与卓越最优政策相比,T 轮收入损失。对于线性需求模型,我们提供了一个高效的学习算法,并得到了一个最优的 Ο(√T) 遗憾上界。
Feb, 2024
本文提出了针对动态定价情况下买家分组的拍卖模型,通过对分布无关和分布相关情况进行分析,得到了买家估价分布的上下界,提出了一种上界近似算法,并给出了其退化情况的解法。
Jul, 2018
个性化定价策略探讨了与策略性购买者的上下文动态定价问题,并提出了一个战略动态定价策略,该策略能够最大化卖方的累积收入,并能同时估计估值参数和成本参数,从而达到 O (sqrt (T)) 的遗憾上界。
Jul, 2023
本研究提出一种基于差分隐私约束条件的在线探索强化学习算法,该算法达到了非隐私算法的信息理论下限,同时利用隐私发布噪音技术获得了隐私保护,解决了个性化医疗等隐私数据应用中数据使用安全的问题。
Dec, 2022
探讨在分类和回归等多种模型中,为实现个体预测隐私保护所需的成本,以及通过训练多个模型并使用标准的聚合技术来预测,以降低聚合步骤引入的开销,并建立所有不同隐私预测算法的强广义保证,从而研究机器学习中差分隐私的最优样本调整量。
Mar, 2018