如何激励竞争各方间数据驱动的协作
计算机科学与博弈论
2016-01-12 v1 密码学与安全
摘要
海量数据的可用性正在改变我们进行医学发现、预测全球市场趋势、节约能源和制定教育策略的方式。在某些场景下，如全基因组关联研究（Genome Wide Association Studies）或深度学习，数据纯规模似乎至关重要。当数据由多方分布式持有时，他们必须共享数据以获取其全部收益。这场革命的一个障碍是不同方缺乏共享数据的意愿，原因包括隐私丧失或竞争优势丢失。密码学工作解决了隐私方面，但未阐明当数据访问带来切实回报时各方的得与失。即便从协作中能得出更好的整体结论已显而易见，个体协作者通过协作是否境况更佳？探讨这一问题即是本文的主题。* 我们形式化了一个 n 方协作模型，用于在私有输入上计算函数，其中参与者按顺序接收输出，且顺序取决于其私有输入。每个输出根据评分函数“改进”先前的输出。* 我们称，若协作机制确保协作时（而非单独工作）所有参与者获得更高回报，则达到协作均衡（collaborative equilibrium）。我们证明一般而言，计算协作均衡是 NP 完全的，但我们在一系列自然模型设置下设计了高效算法来计算它。我们的协作机制处于标准模型中，因此需要中心可信方；然而，我们证明该假设在标准密码学假设下是不必要的。我们展示了如何通过安全多方计算的新扩展以去中心化方式实现这些机制，该扩展对向不同参与者的输出交付施加顺序/时间约束，以及隐私和正确性。
引用
@article{arxiv.1601.02298,
title = {How to Incentivize Data-Driven Collaboration Among Competing Parties},
author = {Pablo Azar and Shafi Goldwasser and Sunoo Park},
journal= {arXiv preprint arXiv:1601.02298},
year = {2016}
}