开户即送58体验金-湖北盐业集团

开户即送58体验金

近日，理工学院副院长、校长讲座教授黄建伟教授团队在ACM经济学与计算会议上（ACM Conference on Economics and Computation 2021）发表了一篇题为“The Privacy Paradox and Optimal Bias-Variance Trade-offs in Data Acquisition”的论文。该论文主要探究了在数据关联性下的数据采集机制设计问题，探究信息泄露会给数据交易带来什么影响。

ACM经济学与计算会议上（ACM Conference on Economics and Computation）是计算经济学领域最权威的学术会议，由 ACM 特殊兴趣学组 SIGecon 于 1999 年主办，至今已经举办了 18 年。

点击图片，阅读全文

研究背景

隐私保护是目前大数据时代每个个体的重要需求。然而，在现实生活中，“隐私悖论”的现象却时有发生：一方面，大多数都希望自己的隐私得到有效的保护；而另一方面，人们又为了获取便利而愿意贡献自己的隐私数据。比如说，许多人为了使用一些app，允许该app采集自己的数据，这与他们保护隐私的需求相矛盾。那么问题来了：“隐私悖论”现象背后的原因是什么呢？

许多经济学者和计算机学者对这个问题很有兴趣，并给出了许多解释。其中一个著名的解释是数据关联性带来的信息泄露的存在。具体来说，由于数据关联性的广泛存在，人们即使不主动分享自己的数据，第三方能依据数据关联性，从已有的数据或多或少推断该个体数据。以收入数据为例，同家公司同级别的员工往往收入类似。就算你从未主动透露过自己的收入，第三方依旧可以依据已有的你同事的收入推测你的收入。这样一来，意识到自己的信息或许已被泄露，人们便倾向于用数据换便利和效率。更一步来说，“隐私悖论”现象的存在及其潜在的信息泄露，给人们的隐私保护和第三方平台的数据采集和交易带来一定的影响。受到现实中“隐私悖论”现象的启发，我们希望进一步探究在数据关联性下的数据采集机制设计问题，探究信息泄露会给数据交易带来什么影响。

研究方法

我们考虑一个数据采集者（平台）和许多个体。数据采集者希望购买个体的数据，来进行均值估计。当个体参与数据采集并贡献数据时，该个体会产生一定的成本。为了有效激励个体参与数据采集并高效补偿个体，数据采集者设计了一个调查机制。该调查机制能够（1）激励个体真实汇报成本（激励相容性），（2）购买数据支出不超过既定的预算，（3）最优化估计的偏差-方差的权衡。

在该机制下，个体决定是否参与数据采集。正如前文所说，即使不参与数据采集，该个体依旧承受数据关联性带来的信息泄露。为了刻画数据关联的异构性，我们考虑各个的群组，即不同群组的个体的数据关联性不同。因此，数据采集者会针对数据关联性（群组）设计相应的机制。此外，考虑到并非所有个体都会参与数据采集，我们引入参与率（即参与个体数量除以总个体数量），且参与率进一步影响估计的偏差。数据采集者通过机制设计控制总体的参与率，进而调整估计的偏差水平以最优化目标函数。

研究结论

我们通过求解优化问题，得到了该调查机制的解析解，并获得了一些有趣的结论：受到数据关联性带来的信息泄露的影响，数据采集者可以凭借较低的价格获取数据，数据关联性越强，价格越低。数据采集者的总购买支出并不一定随着总体参与率的升高而升高。我们的工作进一步引出一个重要的研究：如何设计高效的经济学机制来减少“隐私悖论”的现象和数据关联性带来的负面影响。

作者简介

本文通讯作者为开元985棋牌最新官网（深圳）校长讲座教授、理工学院副院长黄建伟教授，他同时也是深圳市人工智能与机器人研究院（AIRS）的副院长，群体智能研究中心主任。黄教授是深圳市鹏城特聘教授、IEEE Fellow、IEEE通信学会杰出讲者、汤森路透计算机科学领域全球高被引科学家。他长期专注于网络通信、网络经济学和群体智能交叉领域的开创性研究。他已发表 7部学术专著、 125 篇 JCR一区论文和 170 余篇国际会议论文，被谷歌学术引用超过 13900 次， H-index为 59（位列全球计算机领域学者中前0.05%）。