社会学习对隐私保护数据收集的影响

我们研究了一个模型，其中数据收集者通过支付机制从用户处获取数据，旨在从所获取的数据中学习潜在状态。每个用户的私有信号代表了她关于该状态的知识；通过社会交互，每个用户还可以了解到其社交好友信号的含噪版本，这被称为“学习到的群体信号”。得益于社会学习，用户拥有超越其私有信号的关于状态的更丰富信息。基于其私有信号与学习到的群体信号，每个用户做出策略性决策，向数据收集者报告其数据的隐私保护版本。我们发展了贝叶斯博弈论框架，以研究社会学习对用户数据报告策略的影响，并据此设计数据收集者的支付机制。我们的发现表明，一般而言，贝叶斯-纳什均衡下所期望的数据报告策略可采取对称随机响应（SR）策略或信息性非披露（ND）策略的形式。具体而言，每个用户对其含噪群体信号应用广义多数投票规则，以决定遵循哪种策略。此外，当用户采用ND策略时，她完全基于群体信号报告隐私保护数据，与其私有信号无关，这意味着其隐私成本为零。我们强调，当用户采用ND策略时，所报告的数据由于基于其学习到的群体信号，仍对潜在状态具有信息性。因此，数据收集者与用户均可从社会学习中获益，社会学习降低了隐私成本，并有助于在给定支付预算下改善状态估计。我们进一步推导了达到给定状态估计精度所需的最小总支付的界限。