Oct, 2023

面向数据的机器学习在线市场：从发现到定价

PDF
TL;DR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。
machine learningdataonline marketmatchingpricing mechanism
发现论文，激发创造
  • 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

  • 数据采集：面向数据中心的人工智能的新领域

    通过对当前数据市场的调查，揭示了缺乏提供有关数据集的详细信息、透明定价和标准化数据格式的平台，进而提出了基于数据提供者和获取者之间互动建模的 DAM 挑战，验证了在机器学习中有效的数据获取策略的需求。

    Nov, 2023

  • 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

  • 分散数据市场的数据测量

    去中心化数据市场在机器学习中提供了更公平的数据获取形式。然而，要实现实际的市场，需要研发高效的卖家选择技术。我们提出并基准测试了联邦数据度量方法，以帮助数据买家找到拥有相关和多样化数据集的卖家。多样性和相关性度量使买家能够在不需要中间代理人和训练任务相关模型的情况下进行相对比较。

    Jun, 2024

  • 数据中心的 AI 能从数据和 ML 工程中学到什么？

    讨论数据与机器学习工程的重要性以及如何应用于数据中心人工智能领域。

    Dec, 2021

  • 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

  • 数据市场的数据定价调查

    本文全面综述了现有数据定价研究的最新进展，通过建立新的数据定价分类方法 —— 基于市场结构的分类，将现有研究归纳和总结，提取了具有代表性的关键属性，包括售卖方、购买方和双边市场中的隐私概念和查询类型，并探讨了现有研究中的缺陷和未来研究方向。

    Mar, 2023

  • 通过实验设计进行去中心化数据市场的数据采集

    通过采取联邦方法，提出了一种面向分散市场的数据选择方法，能够在不需要标记的验证数据的情况下，通过优化快速的过程实现更低的预测误差，直接估计获取数据对测试集预测的益处。

    Mar, 2024

  • 自动化机器学习方法在价格预测应用中的基准测试

    应用自动化的机器学习（AutoML）方案代替手动创建的机器学习管道，结合公司的领域知识进行价格预测的工业需求研究，展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。

    Apr, 2023

  • 贝叶斯回归市场

    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。

    Oct, 2023