🤖 AI

CHRONOS: Temporally-Aware Multi-Agent Coordination for Evolving Data Marketplaces

CHRONOS ist eine dreischichtige Architektur für zeitliche Wissensgraph-Datenmärkte, die eine auf neuronalen ODEs basierende Rückrufoptimierung, changepoint-bewusste Shapley-Preisgestaltung und EXP3-IX-Differentialprivacy vereint, um die gekoppelten Ausfälle veralteter Indizierung, Fehlzuschreibung von Wert und übermäßigen Budgetverbrauchs in sich entwickelnden Datenumgebungen zu adressieren.

Ursprüngliche Autoren: Joydeep Chandra

Veröffentlicht 2026-05-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Joydeep Chandra

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen geschäftigen, hochtechnologischen digitalen Bauernmarkt vor, auf dem Landwirte (Datenverkäufer) frische Produkte (Wissensgraph-Daten) an Köche (Käufer) verkaufen. Der Haken? Der Markt verändert sich ständig. Neue Ernten erscheinen täglich, alte verderben, und das Wetter (Markttrends) wechselt unvorhersehbar.

Die Arbeit stellt CHRONOS vor, ein neues System, das entwickelt wurde, um diesen Markt fair, schnell und sicher zu betreiben, selbst wenn sich die Daten weiterentwickeln. Es löst drei Hauptprobleme, die solche Märkte normalerweise zum Scheitern bringen:

1. Das Problem der „veralteten Karte" (Indizierung)

Das Problem: Stellen Sie sich vor, der Markt verfügt über eine riesige, im Voraus gezeichnete Karte (ein Index), die die schnellsten Abkürzungen zwischen den Ständen zeigt. Wenn ein Landwirt seinen Stand verlegt oder ein neuer Pfad eröffnet wird, wird die alte Karte falsch. In digitalen Begriffen werden „Abkürzungskanten" in den Daten veraltet, wodurch das System gute Ergebnisse übersieht (geringe Recall-Rate).
Die CHRONOS-Lösung (T-LEGEND): Anstatt die gesamte Karte jedes Mal neu zu zeichnen (was langsam und teuer ist), verwendet CHRONOS eine „intelligente Verfall"-Engine (Neurale ODE). Denken Sie daran wie an eine Karte, die automatisch alte, ungenutzte Pfade ausblendet und frische hervorhebt, basierend darauf, wie kürzlich sie genutzt wurden.

Das Ergebnis: Das System weiß genau, wie viel Genauigkeit es verlieren könnte, wenn die Karte leicht veraltet ist, und bietet eine mathematische „Sicherheitsgarantie", dass die Ergebnisse nicht unter ein bestimmtes Niveau fallen.

2. Das Problem des „ungerechten Preises" (Bewertung)

Das Problem: Wie bezahlt man Landwirte fair? Normalerweise verwenden Systeme eine statische Formel (wie Shapley-Werte), um zu berechnen, wie viel jeder Landwirt zu einem Gericht beigetragen hat. Aber wenn ein plötzlicher Trend auftritt (z. B. wollen alle plötzlich Grünkohl wegen einer Gesundheitspanik), steigt der Wert von Grünkohl sprunghaft an. Eine statische Formel bezahlt weiterhin den alten Preis, was unfair ist.
Die CHRONOS-Lösung (Ereignisbedingter MPV): CHRONOS fungiert wie ein Trend-erkennender Manager. Er achtet auf „Change Points" (plötzliche Verschiebungen in den Wünschen der Käufer). Wenn eine Verschiebung erkannt wird, berechnet er den Wert der Daten sofort neu, basierend auf der neuen Realität, nicht auf der alten.

Das Ergebnis: Landwirte werden basierend auf dem aktuellen Wert ihrer Daten bezahlt, was faire Anreize sicherstellt, selbst wenn der Markt verrückt spielt.

3. Das Problem der „geteilten Batterie" (Koordinierung)

Das Problem: Der Markt hat eine begrenzte „Privatsphäre-Batterie" (ein Differential-Privacy-Budget). Jedes Mal, wenn das System die Karte aktualisiert oder Preise neu berechnet, wird ein Teil der Batterie verbraucht. Wenn zu viele Agenten versuchen, dies gleichzeitig zu tun, stirbt die Batterie, und der Markt hört auf, die Privatsphäre der Menschen zu schützen.
Die CHRONOS-Lösung (Temporärer Koordinator): Dies ist der Verkehrsleiter. Er verwendet einen intelligenten Scheduling-Algorithmus (EXP3-IX), um zu entscheiden, wann die Karte aktualisiert und wann Preise neu berechnet werden sollen. Er verteilt die Arbeit so, dass die Batterie länger hält und sichergestellt wird, dass der Markt so lange wie möglich offen und privat bleibt.

Das Ergebnis: Das System erledigt die meiste Arbeit, ohne den Schutz der Privatsphäre aufzubrauchen.

Der „vertrauenswürdige Kurator" und der „Rauschen"-Kompromiss

CHRONOS arbeitet unter einem Modell des vertrauenswürdigen Kurators. Stellen Sie sich einen neutralen Marktmanager vor, der alle Rohdaten hält.

Öffentlich vs. Privat: Der Manager verwendet öffentliche, bereits existierende Daten, um die Hauptkarte zu erstellen (frei von Privatsphäre-Kosten). Die privaten, sensiblen Daten der Landwirte werden nur verwendet, um eine Schicht „Rauschen" (zufälliges statisches Rauschen) zu einer Zusammenfassungstabelle hinzuzufügen, bevor sie veröffentlicht wird.
Der Kompromiss: Die Arbeit gibt zu, dass die „Zusammenfassungstabelle" (die durch Privatsphäre geschützten Daten) sehr verrauscht ist. Es ist wie der Versuch, ein Flüstern durch einen lauten Ventilator zu hören. Man kann die genauen Zahlen auf dem Blatt nicht lesen.
Die Umgehung: Das System muss jedoch die verrauschten Zahlen nicht perfekt lesen, um zu funktionieren. Es verwendet die öffentliche Karte, um den richtigen Bereich zu finden, und die verrauschte Zusammenfassung hilft dem Manager lediglich zu entscheiden, wann Dinge aktualisiert werden sollen. Für die Bezahlung der Landwirte verwendet das System eine spezielle „Multi-Epoch"-Methode: Es mittelt das Rauschen über die Zeit (wie das Mitteln mehrerer verrauschter Wetterberichte), um einen zuverlässigen Trend zu erhalten, was faire Auszahlungen ermöglicht, ohne individuelle Geheimnisse preiszugeben.

Das Fazit

CHRONOS ist ein dreischichtiges System, das:

Die Karte frisch hält, ohne sie von Grund auf neu zu erstellen.
Landwirte fair bezahlt, basierend auf Echtzeit-Marktverschiebungen.
Das Privatsphäre-Budget wie ein sorgfältiger Buchhalter verwaltet, um sicherzustellen, dass es nicht aufgebraucht wird.

Die Arbeit behauptet, dass dieses System einen Sweet Spot erreicht: Es ist schnell (ca. 2,7 Abfragen pro Sekunde), genau (93,7 % Recall) und bewahrt eine starke Privatsphäre (ein spezifischer Privatsphäre-Wert von 4,25), während es gleichzeitig bis zu 500 Verkäufer handhabt. Es beweist, dass man einen dynamischen, sich entwickelnden Datenmarkt haben kann, der sowohl nützlich als auch privat ist, vorausgesetzt, man akzeptiert, dass die rohen privaten Zahlen hinter einem Schleier aus Rauschen verborgen sind, während die Logik des Systems die schwere Arbeit leistet.

Technische Zusammenfassung: CHRONOS

1. Problemstellung

Zeitreihen-Wissensgraphen (KG) Datenmarktplätze sehen sich bei der Gestaltung mit statischen Architekturen drei gekoppelten Versagen gegenüber:

Veraltete Indizierung: Hybride Vektor-Graph-Indizes (z. B. HNSW) beruhen auf bei der Konstruktion erstellten Shortcut-Kanten. Da sich der zugrundeliegende KG entwickelt (Kanten werden hinzugefügt/entfernt), werden diese Shortcuts veraltet und verschlechtern die Recall-Rate stillschweigend. Bestehende dynamische Systeme bewältigen Vektor-Updates, versagen jedoch darin, graphstrukturelle Veraltetheit zu modellieren oder Recall-Grenzen bereitzustellen, die an die Entwicklungsraten gebunden sind.
Stationäre Bewertung: Eine faire Datenattribution stützt sich typischerweise auf Shapley-Werte, die eine stationäre charakteristische Funktion voraussetzen. In sich entwickelnden Marktplätzen führen Verteilungsverschiebungen (z. B. Krankheitsausbrüche, regulatorische Änderungen) dazu, dass sich die marginalen Datensatzwerte stark verschieben. Statische Bewertungen weisen Werte falsch zu und verzerren die Marktplatzanreize.
Unkoordiniertes Privatsphären-Budget: Produktionsmarktplätze führen parallele Agenten aus, die ein begrenztes Differential-Privacy (DP)-Budget teilen. Ohne Koordination erschöpfen gleichzeitige Anforderungen an Index-Updates, Neuberechnung der Bewertungen und Query-Verarbeitung das Budget vorzeitig. Bestehende Rahmenwerke fehlt eine formale Kopplung zwischen Scheduling und DP-Verbrauch.

Diese Herausforderungen sind nicht dekomponierbar, da Index-Updates, Neuberechnung der Bewertungen und Warten alle aus demselben begrenzten $(\epsilon, \delta)$ -Allowance verbrauchen.

2. Methodik: Die CHRONOS-Architektur

CHRONOS ist eine vertrauenswürdige-Kurator-Architektur mit drei Schichten, die eine einheitliche Behandlung dieser Herausforderungen mit expliziter Trennung von öffentlich/privat bietet.

Schicht 1: T-LEGEND (Temporaler Hybrid-Index)

T-LEGEND wendet neuronale ODE-Zeitliche Abklingung auf Shortcut-Kanten an, wodurch der Index graceful degradieren kann, anstatt stillschweigend zu versagen.

Mechanismus: Eine neuronale ODE modelliert das Abklingen des Kanten-Nutzens über die Zeit ( $\Delta t$ ). Die Abklingfunktion ist die erste Komponente der ODE-Lösung, trainiert auf historischen KG-Schnappschüssen unter Verwendung eines kontrastiven zeitlichen Verlusts.
Öffentlich/Privat-Trennung: Die Indexstruktur ( $H_T$ ) und Nachbarschaftslisten werden deterministisch aus öffentlichen, vor-Marktplatz-Daten (eingefrorene Embeddings und Community-Partitionen) aufgebaut. Von Verkäufern eingebrachte Kanten verändern die Index-Topologie nicht; sie beeinflussen lediglich die epochenweise private Affinitätsmatrix.
Theoretische Garantie: Das System bietet eine pro-Query erwartete Recall-Verlustgrenze von $O(P_q \lambda \Delta t)$ . Ein neuartiges monotones-Umschlag-Zertifikat strafft diese Grenze und reduziert die Lücke zwischen theoretischer Grenze und beobachtetem Verlust auf 1,8–3,2 $\times$ . Formale Grenzen werden auch auf Hawkes-Dynamiken erweitert, um korrelierte Kantenänderungen zu handhaben.

Schicht 2: Ereignis-konditionierte MPV (EC-MPV)

Diese Schicht konditioniert die Shapley-Bewertung auf Verteilungs-Change-Points, die durch BOCPD (Bayesian Online Changepoint Detection) erkannt werden.

Mechanismus: Anstatt einer kontinuierlichen Neuberechnung werden Bewertungen gebündelt und auf erkannte Ereignisse ( $E$ ) konditioniert. Der marginale Beitrag eines Verkäufers wird berechnet als $\phi_i(D_{priv} \cup D_{pub} | E, t) - \phi(D_{pub} | E, t)$ .
Effizienz: Es wird Variance-Reduced Data Shapley (VRDS) mit Kontrollvariablen eingesetzt, um die Stichprobenvarianz zu senken.
Garantien: Das System bietet Fehlergarantien für endliche Stichproben unter Koalitionsstichproben und DP-Rauschen, wobei eine zeitliche Effizienzidentität sicherstellt, dass die Summe der Bewertungen dem Gesamtwert des privaten Datenbeitrags entspricht.

Schicht 3: Zeitlicher Koordinator

Ein Meta-Agent, der Operationen (Index-Update, Neubewertung oder Null) plant, um das gemeinsame DP-Budget durchzusetzen.

Algorithmus: Verwendet EXP3-IX (ein Multi-Armed-Bandit-Algorithmus) über drei Scheduling-Aktionen.
Regret: Erreicht ein Regret von $O(\sqrt{T \log T})$ , während gleichzeitig $(\epsilon_{total}, \delta_{total})$ -DP über Momentenbuchhaltung durchgesetzt wird.
Budget-Management: Er balanciert konkurrierende Anforderungen aus und stellt sicher, dass Index-Wartung und Bewertungen sich nicht gegenseitig verhungern lassen. Er überschreibt Aktionen, die das Budget verletzen würden, und wandelt sie in „Null" oder „Index-Update" als Sicherheitsüberschreibungen um.

Privatsphären-Mechanismus: Festdimensionale DP-Pipeline

CHRONOS setzt eine strikte Öffentlich/Privat-Trennung ein:

Öffentlich: Embeddings, Indexstruktur und Query-Vektoren verursachen keine DP-Kosten.
Privat: Verkäufer-Kanten, Bewertungswerte und Index-Veraltetheitsstatistiken sind geschützt.
Freigabepolitik: Das System gibt eine festdimensionale privatisierte Affinitätsmatrix ( $\tilde{A}(t)$ ) einmal pro aktiver Epoche unter Verwendung des Gaußschen Mechanismus frei.
Nachbearbeitung: Alle pro-Query-Retrieval- und Top- $k$ -Rangierungen werden als Nachbearbeitung an der verrauschten Matrix durchgeführt. Folglich verursachen sie keine zusätzlichen Privatsphären-Kosten.
Buchhaltung: Das System verwendet die Standard-additive zCDP-Komposition über $\rho$ und erreicht ein Gesamt- $\epsilon = 4,25$ bei $\delta = 10^{-6}$ über mehrere Mechanismen (Index-Statistiken, Bewertung, Affinität).

Abrechnungsmechanismus

Um die von Rauschen dominierte Natur externer Bewertungsfreigaben zu adressieren (wo Rauschen-Std $\gg$ Signal), führt CHRONOS einen multi-epochalen Koalitions-level-Abrechnungsmechanismus ein. Durch Aggregation von Bewertungen über $W$ Epochen und Gruppierung von Verkäufern in Koalitionen verbessert sich das Signal-zu-Rausch-Verhältnis (SNR), was eine Attribution auf Trendniveau (z. B. Unterscheidung über/unter dem Median-Beitrag) bei $W \ge 7$ Epochen ermöglicht.

3. Wichtige Ergebnisse

Experimente wurden an vier Benchmarks durchgeführt: FB15K-237, WN18RR (synthetisch), MIMIC-IV und Yelp (realweltlich).

Leistung: CHRONOS erreicht 0,937 Recall@10 auf Yelp mit 2,74 Queries/s und einer P50-Latenz von 161 ms.
Recall-Stabilität: Auf MIMIC-IV degradiert T-LEGEND nur um 0,0021 Recall-Punkte/Tag, eine 4,2 $\times$ -Verbesserung gegenüber Plain-HNSW und 2,8 $\times$ gegenüber FreshDiskANN.
Privatsphären-Nutzen-Abwägung: Bei angepasstem $\epsilon=4,25$ übertrifft CHRONOS pro-Query-DP-Mechanismen (z. B. OneShot Laplace, Joint Exponential) deutlich, die 6–10 $\times$ niedrigere QPS erleiden (0,28–0,43 vs. 2,74).
Skalierbarkeit: Das System skaliert auf 500 Verkäufer. Mit zunehmender Anzahl der Verkäufer ( $n$ ) nimmt die Sensitivität ab ( $\propto 1/\sqrt{n}$ ), wodurch das Gesamt- $\epsilon$ sublinear wächst (von 4,25 bei $n=10$ auf 5,13 bei $n=500$ ).
Koordinationsauswirkung: Das Entfernen des Zeitlichen Koordinators (unter Verwendung von Round-Robin) verschlechtert den Recall um 3,3 Punkte und erhöht $\epsilon$ um 26,6 %, was die Notwendigkeit eines gemeinsamen Designs bestätigt.
VSAG-Vergleich: Während VSAG (ein Produktions-HNSW) eine höhere Roh-QPS bietet, fehlt ihm die zeitliche KG-Bewertung. Die Integration des VSAG-Layouts mit dem veraltetheitsbewussten Aufbau von CHRONOS wird voraussichtlich eine 1,5 $\times$ -Beschleunigung ohne Verlust an Recall bringen.

4. Bedeutung und Behauptungen

Die Arbeit behauptet, dass CHRONOS das erste System ist, das Index-Frische, Bewertungskorrektheit und koordiniertes DP-Budget-Management innerhalb eines Multi-Agenten-Rahmens für zeitliche Wissensgraphen koppelt.

Einheitliche Behandlung: Sie zeigt, dass diese drei Herausforderungen nicht isoliert gelöst werden können; ein gemeinsames Design ist erforderlich, um Budgeterschöpfung und Leistungsverschlechterung zu verhindern.
Theoretische Strenge: Die Arbeit liefert formale Recall-Grenzen (Sätze 2–4), die ODE-Lipschitz-Strukturen und Hawkes-Prozesse einbeziehen und über statische Annahmen hinausgehen.
Praktische Privatsphäre: Sie etabliert einen praktikablen Betriebspunkt für hochnutzbringende, niedrig-latenz Retrieval unter strengen DP-Bedingungen, indem öffentliche Indexstrukturen genutzt und DP-Kosten über Epochen statt pro Query amortisiert werden.
Handlungsorientierte Abrechnung: Sie bietet einen konkreten Mechanismus für Verkäufer-Auszahlungen, der das hohe Rauschen von DP-Freigaben mit dem Bedarf an fairer Attribution in Einklang bringt, indem Koalitionsaggregation zur Signalwiederherstellung genutzt wird.

5. Einschränkungen

Die Autoren erkennen ausdrücklich mehrere Einschränkungen an:

Losenheit der Grenzen: Die monotone-Umschlag-Grenze bleibt 1,8–3,2 $\times$ loser als der beobachtete Verlust; das Schließen dieser Lücke erfordert eine Pfad-Korrelationsanalyse an Hub-Knoten.
Von Rauschen dominierte Signale: Auf dem gewählten Privatsphärenniveau ( $\epsilon=4,25$ ) werden extern freigegebene Bewertungen und Affinitätswerte vom Rauschen dominiert. Der Nutzen des Systems leitet sich primär aus öffentlichem Index-Routing und adaptivem Scheduling ab, das durch niedrig-sensible DP-Statistiken angetrieben wird, nicht aus dem privaten Signal selbst.
Vertrauensmodell: Das aktuelle Design verlässt sich auf einen vertrauenswürdigen Kurator, der alle rohen Verkäuferdaten hält. Obwohl Zwei-Server- und Local-DP-Erweiterungen als zukünftige Arbeit vorgeschlagen werden, sind sie in dieser Studie nicht vollständig implementiert oder validiert.
Query-Privatsphäre: Käufer-Queries werden als öffentlich behandelt. Falls Queries sensibel sind, sind zusätzliche Mechanismen (z. B. Count-Min-Sketches) erforderlich, die nicht Teil der Kernauswertung sind.