数据市场中基于机器学习的模型定价
数据库
2018-05-30 v1 计算机科学与博弈论
机器学习
最优化与控制
机器学习
摘要
使用机器学习（ML）的数据分析已广泛应用于科学、商业智能、新闻等诸多领域。尽管大量工作聚焦于降低ML模型的训练成本、推理运行时间与存储成本，鲜有研究探讨如何降低数据获取成本，而这可能导致卖家收益受损以及买家可负担性与效率下降。本文提出一种基于模型的定价（MBP）框架，其不对数据定价，而是直接对ML模型实例定价。我们首先形式化描述了MBP框架的期望性质，重点在于避免套利。接着，我们基于噪声注入方法给出了MBP框架的一个具体实现，可证明满足所述形式化性质。基于所提框架，我们进而给出在不同市场情景下（如最大化收益）卖家如何为模型定价的算法方案。最后，我们进行了大量实验，验证了MBP框架能为卖家提供高收益、为买家提供高可负担性，且运行成本低。
引用
@article{arxiv.1805.11450,
title = {Model-based Pricing for Machine Learning in a Data Marketplace},
author = {Lingjiao Chen and Paraschos Koutris and Arun Kumar},
journal= {arXiv preprint arXiv:1805.11450},
year = {2018}
}