TripleWin: Fixed-Point Equilibrium Pricing for Data-Model Coupled Markets

ملخص تقني: TripleWin: تسعير التوازن بنقطة ثابتة للأسواق المقترنة بالبيانات والنماذج

بيان المشكلة
أدى صعود اقتصاد نماذج تعلم الآلة (ML) إلى خلق أسواق مترابطة لبيانات التدريب والنماذج سابقة التدريب. ومع ذلك، فإن نهج التسعير الحالية تتعامل عادةً مع هذه الأسواق كمنصات منفصلة أو تعتمد على مسارات تتمحور حول الوسيط وتمنح الأولوية لأحد جانبي المعاملة. في النماذج التي يهيمن عليها الوسيط، يتم تحديد الأسعار غالباً بشكل متسلسل (على سبيل المثال، تحديد مدفوعات البيانات أولاً ثم وضع هامش ربح على أسعار النماذ، أو العكس)، وهو ما يفشل في استيعاب الاعتماد المتبادل المتزامن بين تكاليف البيانات والطلب على النماذج. علاوة على ذلك، تفتقر الدراسات الحديثة حول أسواق البيانات ذات التأثيرات الخارجية إلى آلية متماثلة تحدد في آن واحد أسعار بائعي البيانات، ومنتجي النماذج، ومشترِي النماذج. يؤدي هذا الفصل إلى هشاشة في العدالة، حيث يستحوذ أحد الأطراف على الفائض على حساب الآخرين، وإلى عدم الكفاءة، حيث لا تنتقل إشارات الأسعار بوضوح عبر النظام.

المنهجية
يقترح المؤلفون TripleWin، وهو سوق موحد مقترن بالبيانات والنماذج يعامل تداول مجموعات البيانات والنماذج كنظام واحد متزامن. جوهر المنهجية هو آلية تسعير ثنائية الاتجاه تربط أربعة تفاعلات: انتشار العرض والطلب في كلا الاتجاهين، والاقتران المتبادل بين المشترين وبين البائعين.

1. كيانات السوق والتفاعلات: يتكون السوق من بائعي البيانات (الذين يضعون أسعار الاستخدام لكل مرة $p_{D \to M}$)، ومنتجي النماذج (الذين يدربون النماذج على مجموعات البيانات ويستهدفون هامش ربح $\delta_M$)، ومشترِي النماذج (الذين يقدمون عطاءات $p_{B \to M}$).
2. خرائط الاقتباس ثنائية الاتجاه:
   • خريطة جانب العرض (الأسفل): تحول مدفوعات مجموعة البيانات وهامش الربح المستهدف للمنتج إلى اقتباسات نماذج مرئية للمشترين. يتم حساب اقتباس المشتري كإجمالي التكاليف التشغيلية للنموذج مضافاً إليه هامش ربح المنتج المطبق على مجموع مدفوعات مجموعة البيانات: $v_{B \to M} = \kappa_M + (1 + \delta_M) \sum p_{D \to M}$.
   • خريطة جانب الطلب (الأعلى): تنشر أسعار المشترين عائدًا إلى البيانات. تقوم بتجميع عطاءات المشترين في إيرادات تدريب فعالة $W_j$ (موزونة بأوزان المشترين $\omega_{jk}$) وتخصص هذه الإيرادات لمجموعات البيانات بناءً على قيم شابلي ($SV_{i|j}$) الخاصة بها، والتي تقيس مساهمتها الهامشية في منفعة النموذج. اقتباس مجموعة البيانات هو: $v_{D \to M} = \kappa_D + \frac{SV_{i|j}}{1 + \delta_M} W_j$.
3. صياغة النقطة الثابتة: يُعرَّف هدف "الربح الثلاثي" (Triple Win) بأنه التوافق بين الأسعار المعلنة الفردية واقتباسات السوق المشتقة من هذه الخرائط. يستقر السوق عندما يتساوى متجه الأسعار المعلنة $p$ مع متجه الاقتباسات $Q(p)$، مما يشكل شرط النقطة الثابتة $p = Q(p)$.
4. الأساس النظري: يثبت المؤلفون أن المؤثر المشترك $Q$ هو دالة تداخل قياسية (Standard Interference Function - SIF). ومن خلال استيفاء شروط الإيجابية، والرتابة، والقابلية للتوسع، يضمن المؤثر وجود ونفرد نقطة ثابتة. وبناءً على ذلك، فإن عملية تكرار النقطة الثابتة البسيطة (الخوارزمية 1) تتقارب عالمياً نحو التوازن من أي تهيئة غير سالبة، بما في ذلك الأشكال التبادلية الكتلية وغير المتزامنة.

المساهمات الرئيسية

• نموذج سوق موحد: يقدم سوقاً مقترناً بالبيانات والنماذج حيث تُعد معاملات بيانات التدريب ومعاملات النماذج طبقات مترابطة لسوق واحدة، مما يلغي الحاجة إلى وسيط متميز لفرض أسعار متسلسلة.
• هدف الربح الثلاثي: يصيغ الهدف كاتفاق متزامن بين بائعي البيانات، ومنتجي النماذج، ومشترِي النماذج، ويتم تجسيده من خلال خرائط الاقتباس ثنائية الاتجاه التي تستخدم تخصيصاً قائماً على "شابلي" لتعويض البيانات.
• الضمانات النظرية: يثبت أن مؤثر التسعير المشترك هو SIF، مما يضمن وجود نقطة ثابتة فريدة وتقارب عالمي لخوارزمية التسعير.
• القابلية للتحليل: يستنتج أطر الجدوى المغلقة والدراسات المقارنة، موضحاً كيفية استجابة أسعار التوازن للتغيرات في التكاليف الإضافية (الإزاحات)، والهوامش، واحتياطيات المشترين.

النتائج التجريبية
يقيم المؤلفون TripleWin مقابل عدة خطوط أساس، بما في ذلك المسارات أحادية الجانب (SupplyFirst، DemandFirst)، والنهج المتمحور حول الوسيط (BrokerCentric، Dealer)، والآليات القائمة على التعلم (VAP، CMAB-HS).

• التقارب والنجاح: يحقق TripleWin أعلى معدل نجاح للمعاملات من البداية إلى النهاية (98.26%) مقارنة بالخطوط الأساسية، والتي غالباً ما تعاني من معدلات نجاح منخفضة بسبب عدم توافق الأسعار.
• العدالة: يُظهر TripleWin توافقاً فائقاً في العدالة، مع معامل ارتباط سبيرمان قدره 0.90 بين مساهمات شابلي وحصص إيرادات البيانات المحققة. في المقابل، تُظهر الخطوط الأساسية أحادية الجانب ارتباطات ضعيفة أو سالبة.
• المتانة: في ظل صدمات الطلب الهبوطية، يحافظ TripleWin على أعلى قدر من المرونة تجاه الضوضاء (92.06%)، متفوقاً على الطرق الأخرى في الحفاظ على الرفاهية واستقرار المعاملات.
• توزيع الفائض: تحقق الآلية تقسيماً متوازناً للفائض بين المشترين والبائعين مع الحفاظ على ربح المنصة، بينما تميل الخطوط الأساسية غالباً نحو طرف واحد بشكل كبير أو تؤدي إلى أرباح منصة سالبة.

الأهمية
يدعي البحث أهمية مفاهيمية وعملية على حد سواء. مفاهضياً، يعامل تسعير البيانات والنماذج كعملية واحدة متزامنة حيث تنتشر إشارات الأسعار في كلا الاتجاهين، مما يضمن أن يؤثر المشترون على بعضهم البعض من خلال تجميع الإيرادات، ويؤثر البائعون على بعضهم البعض من خلال إجمالي نفقات التدريب. عملياً، توفر الآلية متجهاً متسقاً ذاتياً للأسعار في ظل ظروف واسعة، مما يدعم معاملات شفافة وقابلة للتكرار دون وسيط مركزي. يضع المؤلفون هذا العمل كبديل مبدئي لحلقات المساومة التجريبية والمسارات المتسلسلة، مقدمين إطاراً بسيطاً مدفوعاً بالنظرية مع ضمانات تقارب مثبتة وقابلة للتوسع في أسواق متعددة المشترين والمتعدد البائعين.