面向成本不确定情境下的受管语言数据资产的鲁棒定价：NH-CROP
人工智能
2026-05-05 v1 计算与语言
摘要
语言数据日益被采购并作为资产进行治理，但平台往往在知道其真实隐私或访问成本之前就对候选资源进行定价。在成本不确定的情况下，我们研究受管语言数据资产的在线定价问题。在每个轮次中，平台观察到一个 NLP 任务、一个候选资产和一个粗糙的成本估计，可能支付获取更精细成本信号的费用，发布定价，然后获得安全净收入。我们引入\textsc{NH-CROP}，一种带有无伤害信息获取门槛的修剪鲁棒定价框架。该方法比较直接定价、风险感知定价和验证后定价，并仅在其估计决策价值超过最佳无验证备选方案时获取信息。在合成、真实代理和以下游效用为基础的基准测试中，修剪后的\textsc{NH-CROP}变体在定价-only和风险感知基准中实现改进或保持竞争力。因果消除实验表明，在真实代理和效用基础设置中，付费验证并非收益主要来源：最强的学习策略往往选择不进行验证。Oracle 和高决策价值诊断显示，精细成本信息在局部仍可能具有显著价值。总体而言，受管语言数据平台应首先在不确定的访问成本下进行定价校准，仅在信息便宜且具有决策操作性时才进行验证。
引用
@article{arxiv.2605.01745,
title = {NH-CROP: Robust Pricing for Governed Language Data Assets under Cost Uncertainty},
author = {Xu Zheng and Feiyu Wu and Zhuocheng Wang and Yiming Dai and Hui Li},
journal= {arXiv preprint arXiv:2605.01745},
year = {2026}
}