需求未知下基于特征的报童问题的私有最优库存策略学习
机器学习
2024-04-25 v1 机器学习
摘要
近年来，具有特征的数据驱动报童问题已成为一个重要的研究领域，这得益于零售、供应链、电子商务和医疗保健等各行业数据的激增。鉴于基于特征的分析中经常使用的客户或组织数据的敏感性，确保个人隐私以维护信任和信心至关重要。然而，在库存规划背景下保护隐私的重要性尚未得到充分研究。一个关键挑战是报童损失函数的非光滑性，这使其有别于其他场景下的隐私保护研究。本文在f-差分隐私框架内（经典(ε, δ)-差分隐私的扩展）引入了一种学习隐私保护最优库存策略的新方法。我们开发了一种基于卷积平滑的带裁剪的噪声梯度下降算法，以同时解决三个主要挑战：（1）需求分布未知和损失函数非光滑；（2）对个体数据提供可证明的隐私保证；（3）达到理想的统计精度。我们推导了最优策略参数估计的有限样本高概率界，并进行了遗憾分析。通过利用报童问题的特定结构，我们获得了比直接应用针对一般非光滑凸损失的现有结果更快的超额风险界。我们的界与强凸光滑损失函数下的界相匹配。数值实验表明，我们提出的新方法能够以边际成本增加实现理想的隐私保护。
关键词
引用
@article{arxiv.2404.15466,
title = {Private Optimal Inventory Policy Learning for Feature-based Newsvendor with Unknown Demand},
author = {Tuoyi Zhao and Wen-xin Zhou and Lan Wang},
journal= {arXiv preprint arXiv:2404.15466},
year = {2024}
}