贝叶斯回归市场

Oct, 2023

Bayesian Regression Markets

Thomas Falconer, Jalal Kazempour, Pierre Pinson

TL;DR机器学习任务对输入数据的质量很敏感，但是企业往往难以获得足够的数据集，这些数据集通常在不同的所有者间进行自然分布，这些所有者在实践中可能是下游市场的竞争对手，且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制，为数据共享提供了经济激励，以解决监督学习回归任务中的这些挑战。我们对市场性质进行了全面的研究，并表明当前文献中类似建议暴露了市场参与者的巨大财务风险，而我们的概率设置可以减小这些风险。

Abstract

machine learning tasks are vulnerable to the quality of data used as input. Yet, it is often challenging for firms to obtain adequate datasets, with them being naturally distributed amongst owners, that in practice, may be competitors in a downstream market and reluctant to share infor

machine learning data quality regression tasks data sharing bayesian framework

发现论文，激发创造

数据复制鲁棒支付的协作机器学习市场

本研究探讨合作机器学习市场的问题，讨论机器学习市场的公平收入分配和潜在威胁，包括数据复制。我们引入了一个新的付款分割功能和定制输出模型，以在具有不同学习任务的方的情况下刺激方提交高质量的训练和验证数据，并在实验中验证了我们理论分析的假设和这些假设的适用性。

Nov, 2019

分布回归的贝叶斯方法

本研究提出了一种基于贝叶斯分布回归模型的神经网络方法，旨在解决现有监督学习方法中对于群体标签的估计存在不确定性的问题，实现了群体大小变化时模型的可靠性和性能的提高，并在玩具数据集和图像预测年龄的挑战性问题上进行验证。

May, 2017

贝叶斯回归与比特币

本文介绍了贝叶斯回归方法在比特币价格预测中的有效性，使用贝叶斯回归预测了比特币的实时价格，并且设计了一个简单的交易策略，该策略能够在不到 60 天的时间内将投资增加近一倍。

Oct, 2014

数据交易市场：算法解决方案

本文提出了一个数数据市场的基本模型，通过建立一个竞价机制来有效地买卖机器学习任务的训练数据，突破了训练数据不能定价，买卖难以衡量的难题，其中技术贡献包括公平性的计算及组合产品的机制拍卖方式。

May, 2018

在回归市场中数据相似性下的隐私感知数据获取

数据市场通过去中心化数据交换来实现应用程序（例如预测、学习或推断）的目的。然而，相关研究通常忽视了数据相似性如何通过统计信息泄露影响定价和数据价值，我们提出了一个使用局部差分隐私的查询 - 响应协议，该协议用于双方数据获取机制的市场设计，进一步分析了数据相似性对市场参与和交换数据价值的影响。

Dec, 2023

具有机器学习相关性的多期交易预测市场

本文提出一种新的预测市场模型，使用风险度量来建模市场中的代理人，并引入市场制造商来描述交易过程，分析表明，整个市场有效地达到了全局目标，同时建立了机器学习与市场之间的密切联系。

Mar, 2014

具有战略数据来源的最佳统计估计

提出一种最优机制，为统计估算器的数据源提供货币激励，以低成本提供高质量的数据，使支付总额和估算误差最小，广泛应用于线性回归和多项式回归，核回归和岭回归等估算器，并应用于各种目标，包括在预算限制下减少估算误差。

Aug, 2014

面向数据的机器学习在线市场：从发现到定价

机器学习和数据建立了一个在线市场，设计了算法来自动发现任何机器学习任务的有用数据，并为卖出数据增强的机器学习模型设计了新的定价机制。

Oct, 2023

数据市场设计通过深度学习

利用深度学习方法设计收入最优的数据市场，可以几乎精确地复制所有已知的理论解决方案，扩展到更复杂的环境，并用于建立数据市场最优设计的结构推测。

Oct, 2023

基于回归的机器学习算法的非分布风险评估

机器学习算法在实际应用中发展日益复杂，特别是在医学和工程等高风险应用中使用机器学习技术时，预测模型的失败概率至关重要。我们提出了风险评估任务，并侧重于回归算法和计算模型预测的真实标签在一个定义好的区间内的概率。我们通过使用符合预测方法来解决风险评估问题，该方法提供了一定概率内包含真实标签的预测区间。通过该覆盖性质，我们证明了所提方法的近似失败概率是保守的，不低于 ML 算法的真实失败概率。我们进行了大量实验证明了所提方法在存在和不存在协变量转移的问题中的准确性，并重点研究了不同建模方案、数据集大小和符合预测方法学。

Oct, 2023