🤖 machine learning

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

यह शोध पत्र "TripleWin" का प्रस्ताव करता है, जो युग्मित डेटा-मॉडल बाजारों के लिए एक एकीकृत मूल्य निर्धारण तंत्र है, जो सभी बाजार प्रतिभागियों के लिए एक निष्पक्ष संतुलन मूल्य के अस्तित्व, विशिष्टता और वैश्विक अभिसरण की गारंटी देने के लिए द्विदिश आपूर्ति-मांग मैपिंग और शापली-आधारित आवंटन का उपयोग करता है।

मूल लेखक: Hongrun Ren, Yun Xiong, Lei You, Yingying Wang, Haixu Xiong, Yangyong Zhu

प्रकाशित 2026-05-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongrun Ren, Yun Xiong, Lei You, Yingying Wang, Haixu Xiong, Yangyong Zhu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक हलचल भरा बाज़ार है जहाँ तीन समूह व्यापार करने की कोशिश कर रहे हैं, लेकिन वे वर्तमान में एक भ्रमित करने वाले लूप में फंसे हुए हैं:

डेटा विक्रेता (किसान) के पास कच्चे माल (डेटासेट) हैं।
मॉडल निर्माता (शेफ) उन सामग्रियों को खरीदते हैं ताकि वे विशेष व्यंजन (AI मॉडल) बना सकें।
मॉडल खरीदार (ग्राहक) तैयार व्यंजनों को खरीदना चाहते हैं।

समस्या: "वन-वे स्ट्रीट" का जाल
अधिकांश वर्तमान बाजारों में, मूल्य निर्धारण एक टूटी हुई, एकतरफा रेखा की तरह होता है।

परिदृश्य A: शेफ तय करता है, "मुझे ग्राहक से सूप के लिए $100 लेने चाहिए।" फिर वह किसान की ओर मुड़ता है और कहता है, "ठीक है, मैं तुम्हें सब्जियों के लिए$ 5 दूंगा।" यदि किसान कहता है, "नहीं, मेरी सब्जियों को उगाने की लागत $20 है," तो सौदा टूट जाता है। शेफ नुकसान में फंस जाता है।
परिदृश्य B: शेफ कहता है, "मैं किसान को केवल $5 दे सकता हूँ।" किसान सहमत हो जाता है। फिर शेफ ग्राहक को$ 100 में सूप बेचने की कोशिश करता है। यदि ग्राहक कहता है, "मेरे पास केवल $50 हैं," तो सौदा टूट जाता है।

दोनों ही मामलों में, शेफ एक बिचौलिए के रूप में कार्य करता है जो कीमत का अनुमान लगाता है, जिससे अक्सर एक पक्ष असंतुष्ट रह जाता है या पूरा सौदा ही विफल हो जाता है। सामग्री की लागत और ग्राहक द्वारा भुगतान की जाने वाली कीमत के बीच का फीडबैक या तो विलंबित होता है या उसे अनदेखा कर दिया जाता है।

समाधान: ट्रिपलविन (The "Round Table" Market)
यह पेपर TripleWin नामक एक नई प्रणाली का प्रस्ताव देता है। एक सीधी रेखा के बजाय, कल्पना कीजिए कि एक गोल मेज है जहाँ किसान, शेफ और ग्राहक एक ही समय में अपनी कीमतें चिल्लाते हैं, और एक विशेष कैलकुलेटर तुरंत सभी के नंबरों को तब तक एडजस्ट करता है जब तक कि वे सहमत न हो जाएं।

यह जादू कैसे काम करता है, इसके सरल उदाहरण यहाँ दिए गए हैं:

1. दो-तरफा गूंज (The Two-Way Echo Chamber)

यह प्रणाली दो "गूंजों" का उपयोग करती है जो तब तक आगे-पीछे गूंजती रहती हैं जब तक कि वे स्थिर न हो जाएं:

डाउनस्ट्रीम गूंज (शेफ से ग्राहक तक): यदि किसान सब्जियों की कीमत बढ़ाता है, तो शेफ की लागत बढ़ जाती है। कैलकुलेटर तुरंत ग्राहक को फुसफुसाकर बताता है, "हे, सूप की कीमत थोड़ी बढ़ सकती है।"
अपस्ट्रीम गूंज (ग्राहक से किसान तक): यदि ग्राहक कहता है, "मैं इस सूप के लिए अधिक भुगतान करने को तैयार हूँ," तो शेफ को पता चलता है कि उनके पास अतिरिक्त बजट है। कैलकुलेटर वापस किसान को फुसफुसाता है, "बड़ी खुशखबरी! हम तुम्हें सब्जियों के लिए अधिक भुगतान कर सकते हैं।"

2. "निष्पक्षता पैमाना" (Shapley Values)

मान लीजिए कि एक सूप में तीन अलग-अलग सब्जियां इस्तेमाल होती हैं। आप उस अतिरिक्त पैसे को कैसे बांटेंगे जो ग्राहक देने को तैयार है?

पुराना तरीका: शेफ बस अनुमान लगाता है या उसे समान रूप से बांट देता है।
TripleWin तरीका: यह एक गणितीय "निष्पक्षता पैमाने" (जिसे Shapley values कहा जाता है) का उपयोग करता है। यह गणना करता है कि प्रत्येक सब्जी ने सूप के स्वाद में कितना योगदान दिया। यदि गाजरों ने सूप को स्वादिष्ट बनाया लेकिन आलू केवल भरने के काम आए, तो गाजरों को अधिक भुगतान किया जाएगा। यह सुनिश्चित करता है कि किसानों को उनकी विशिष्ट सामग्रियों के लायक सटीक भुगतान मिले।

3. "गणितीय जादू" (Fixed-Point Equilibrium)

आप सोच सकते हैं, "यदि वे कीमतों को बार-बार एडजस्ट करते रहेंगे, तो क्या वे पागल नहीं हो जाएंगे?"
यह पेपर सिद्ध करता है कि इस प्रणाली में एक गणितीय सुरक्षा कवच है। यह एक कटोरे के आकार की पहाड़ी से नीचे लुढ़कती गेंद की तरह है। आप गेंद को कहीं भी छोड़ दें (चाहे जो भी कीमतें शुरू में हों), यह हमेशा एक ही सटीक निचले बिंदु पर जाकर रुकेगी।

परिणाम: कीमतें बदलना बंद हो जाती हैं। वे एक "फिक्स्ड पॉइंट" (निश्चित बिंदु) पर पहुँच जाती हैं।
गारंटी: इस बिंदु पर, किसान खुश है (पर्याप्त भुगतान मिला), शेफ खुश है (मुनाफा कमा रहा है), और ग्राहक खुश है (उचित कीमत चुका रहा है)। हर कोई जीतता है, इसलिए यह TripleWin है।

4. यह बेहतर क्यों है?

लेखकों ने पुराने तरीकों (जैसे "ब्रोकर" जो ऊपर से नीचे की ओर कीमतें तय करता है) के मुकाबले इसका परीक्षण किया।

पुराने तरीके: अक्सर सौदे विफल होने (कम सफलता दर) या एक पक्ष के साथ अन्याय होने का कारण बनते थे।
TripleWin: लगभग हर सौदा हुआ (उनके परीक्षणों में 98% सफलता दर)। यह बहुत अधिक "निष्पक्ष" भी था, जिसका अर्थ है कि जिन लोगों ने अंतिम उत्पाद में अधिक योगदान दिया, उन्हें अधिक भुगतान किया गया।

संक्षेप में
TripleWin AI डेटा और मॉडल की कीमत तय करने का एक नया तरीका है जहाँ सामग्री की लागत और अंतिम उत्पाद का मूल्य एक साथ गणना किया जाता है। यह एक गणितीय लूप का उपयोग करता है ताकि यह सुनिश्चित हो सके कि यदि ग्राहक उत्पाद को अधिक चाहता है, तो किसान को अधिक भुगतान किया जाए, और यदि किसान की लागत बढ़ती है, तो ग्राहक से थोड़ा अधिक भुगतान करने के लिए कहा जाए, और यह सब करते हुए बिचौलिए (शेफ) को लाभदायक बनाए रखा जाए। यह एक अराजक अनुमान लगाने वाले खेल को एक स्थिर, निष्पक्ष और स्वचालित समझौते में बदल देता है।

तकनीकी सारांश: ट्रिपलविन (TripleWin): डेटा-मॉडल युग्मित बाजारों के लिए फिक्स्ड-पॉइंट इक्विलिब्रियम प्राइसिंग

समस्या विवरण
मशीन लर्निंग (ML) मॉडल अर्थव्यवस्था के उदय ने प्रशिक्षण डेटासेट और प्री-ट्रेंड मॉडल्स के लिए परस्पर जुड़े बाजारों को जन्म दिया है। हालांकि, मौजूदा मूल्य निर्धारण दृष्टिकोण आमतौर पर इन बाजारों को अलग-अलग वेन्यू के रूप में देखते हैं या ब्रोकर-केंद्रित पाइपलाइनों पर भरोसा करते हैं जो लेनदेन के एक पक्ष को प्राथमिकता देते हैं। ब्रोकर-प्रधान मॉडलों में, कीमतें अक्सर क्रमिक रूप से निर्धारित की जाती हैं (जैसे, पहले डेटा भुगतान तय करना और फिर मॉडल की कीमतों में मार्जिन जोड़ना, या इसके विपरीत), जो डेटा लागत और मॉडल मांग के बीच के सह-अस्तित्व को पकड़ने में विफल रहती हैं। इसके अलावा, बाहरी प्रभावों (externalities) वाले डेटा बाजारों पर हालिया अध्ययन अक्सर एक सममित तंत्र (symmetric mechanism) की कमी रखते हैं जो डेटा विक्रेताओं, मॉडल उत्पादकों और मॉडल खरीदारों के लिए कीमतें एक साथ निर्धारित कर सके। यह विखंडन (decoupling) एक नाजुक निष्पक्षता की ओर ले जाता है, जहाँ एक पक्ष दूसरे की कीमत पर अधिशेष (surplus) प्राप्त करता है, और अक्षमता की ओर ले जाता है, क्योंकि मूल्य संकेत प्रणाली के माध्यम से स्पष्ट रूप से प्रसारित नहीं हो पाते हैं।

कार्यप्रणाली
लेखक ट्रिपलविन (TripleWin) का प्रस्ताव करते हैं, जो एक एकीकृत डेटा-मॉडल युग्मित बाजार है जो डेटासेट और मॉडल ट्रेडिंग को एक एकल, समवर्ती प्रणाली के रूप में मानता है। इस कार्यप्रणाली का मूल एक द्विदिश मूल्य निर्धारण तंत्र (bidirectional pricing mechanism) है जो चार अंतःक्रियाओं को जोड़ता है: दोनों दिशाओं में आपूर्ति-मांग प्रसार और खरीदारों एवं विक्रेताओं के बीच आपसी जुड़ाव।

बाजार संस्थाएं और अंतःक्रियाएं: बाजार में डेटा विक्रेता (प्रति-उपयोग मूल्य $p_{D \to M}$ पोस्ट करने वाले), मॉडल उत्पादक (डेटासेट पर मॉडल प्रशिक्षित करने वाले और एक लक्षित लाभ मार्जिन $\delta_M$ रखने वाले), और मॉडल खरीदार (बोली $p_{B \to M}$ जमा करने वाले) शामिल हैं।
द्विदिश कोटेशन मैपिंग (Bidirectional Quotation Mappings):
- आपूर्ति-पक्ष मैपिंग (डाउनस्ट्रीम): डेटासेट भुगतान और उत्पादक के लक्षित मार्जिन को खरीदारों के लिए दृश्यमान मॉडल कोटेशन में परिवर्तित करती है। खरीदार-पक्ष कोटेशन की गणना मॉडल के ओवरहेड और डेटासेट भुगतान के योग पर लागू उत्पादक के मार्जिन के रूप में की जाती है: $v_{B \to M} = \kappa_M + (1 + \delta_M) \sum p_{D \to M}$ ।
- मांग-पक्ष मैपिंग (अपस्ट्रीम): खरीदार की बोलियों को डेटासेट तक वापस प्रसारित करती है। यह खरीदार की बोलियों को प्रभावी प्रशिक्षण राजस्व $W_j$ (खरीदार के भार $\omega_{jk}$ द्वारा भारित) में एकत्रित करती है और इस राजस्व को शापले मानों (Shapley values) ( $SV_{i|j}$ ) के आधार पर डेटासेट को आवंटित करती है, जो मॉडल की उपयोगिता में उनके सीमांत योगदान को मापते हैं। डेटासेट कोटेशन है: $v_{D \to M} = \kappa_D + \frac{SV_{i|j}}{1 + \delta_M} W_j$ ।
फिक्स्ड-पॉइंट फॉर्मूलेशन: "ट्रिपल विन" उद्देश्य व्यक्तिगत पोस्ट की गई कीमतों और इन मैपिंग से प्राप्त कोटेशन के बीच संरेखण द्वारा परिभाषित किया गया है। बाजार तब क्लियर होता है जब पोस्ट की गई कीमतों का वेक्टर $p$ कोटेशन के वेक्टर $Q(p)$ के बराबर होता है, जो एक फिक्स्ड-पॉइंट स्थिति $p = Q(p)$ बनाता है।
सैद्धांतिक आधार: लेखक सिद्ध करते हैं कि संयुक्त ऑपरेटर $Q$ एक स्टैंडर्ड इंटरफेरेंस फंक्शन (SIF) है। धनात्मकता (positivity), एकदिष्टता (monotonicity), और स्केलेबिलिटी (scalability) को संतुष्ट करके, यह ऑपरेटर फिक्स्ड-पॉइंट की उपस्थिति और विशिष्टता की गारंटी देता है। फलस्वरूप, एक सरल फिक्स्ड-पॉइंट इटरेशन (एल्गोरिदम 1) किसी भी गैर-ऋणात्मक इनिशियलाइजेशन से वैश्विक रूप से इक्विलिब्रियम की ओर अभिसरित (converge) होता है, जिसमें ब्लॉक-अल्टरनेटिंग और एसिंक्रोनस रूप भी शामिल हैं।

प्रमुख योगदान

एकीकृत बाजार मॉडल: एक डेटा-मॉडल युग्मित बाजार पेश करता है जहाँ प्रशिक्षण डेटा लेनदेन और मॉडल लेनदेन एक ही बाजार के परस्पर निर्भर स्तर हैं, जिससे क्रमिक कीमतों को निर्धारित करने के लिए किसी विशेषाधिकार प्राप्त मध्यस्थ की आवश्यकता समाप्त हो जाती है।
ट्रिपल विन उद्देश्य: इसे डेटा विक्रेताओं, मॉडल उत्पादकों और मॉडल खरीदारों के बीच एक साथ समझौते के रूप में औपचारिक रूप दिया गया है, जिसे शापले-आधारित आवंटन का उपयोग करने वाली द्विदिश कोटेशन मैपिंग के माध्यम से कार्यान्वित किया गया है।
सैद्धांतिक गारंटी: यह सिद्ध करता है कि संयुक्त प्राइसिंग ऑपरेटर एक SIF है, जो एक अद्वितीय फिक्स्ड-पॉइंट इक्विलिब्रियम और प्राइसिंग एल्गोरिदम के वैश्विक अभिसरण (global convergence) को सुनिश्चित करता है।
विश्लेषणात्मक व्यवहार्यता: यह क्लोज्ड-फॉर्म व्यवहार्यता एनवेलप्स (feasibility envelopes) और तुलनात्मक सांख्यिकी (comparative statics) को व्युत्पन्न करता है, जो दिखाता है कि इक्विलिब्रियम कीमतें ओवरहेड्स (ऑफसेट्स), मार्जिन और खरीदार रिजर्व में बदलाव के प्रति कैसे प्रतिक्रिया करती हैं।

प्रायोगिक परिणाम
लेखक ट्रिपलविन का कई बेसलाइन के विरुद्ध मूल्यांकन करते हैं, जिनमें वन-साइडेड पाइपलाइन (SupplyFirst, DemandFirst), ब्रोकर-केंद्रित दृष्टिकोण (BrokerCentric, Dealer), और लर्निंग-आधारित तंत्र (VAP, CMAB-HS) शामिल हैं।

अभिसरण और सफलता: ट्रिपलविन उच्चतम एंड-टू-एंड लेनदेन सफलता दर (98.26%) प्राप्त करता है, जबकि बेसलाइन अक्सर गलत संरेखित मूल्य निर्धारण के कारण कम सफलता दर से जूझते हैं।
निष्पक्षता: ट्रिपलविन बेहतर निष्पक्षता संरेखण प्रदर्शित करता है, जिसमें शापले योगदान और वास्तविक डेटा-राजस्व हिस्से के बीच 0.90 का स्पियरमैन सहसंबंध (Spearman correlation) है। इसके विपरीत, वन-साइडेड बेसलाइन कमजोर या नकारात्मक सहसंबंध दिखाते हैं।
मजबूती (Robustness): डाउनवर्ड डिमांड शॉक के तहत, ट्रिपलविन उच्चतम शोर प्रतिरोध (92.06%) बनाए रखता है, जो कल्याण (welfare) और लेनदेन स्थिरता बनाए रखने में अन्य विधियों से बेहतर प्रदर्शन करता है।
अधिशेष वितरण: यह तंत्र सकारात्मक प्लेटफॉर्म लाभ बनाए रखते हुए खरीदारों और विक्रेताओं के बीच संतुलित अधिशेष विभाजन प्राप्त करता है, जबकि बेसलाइन अक्सर एक पक्ष की ओर भारी झुकाव रखते हैं या नकारात्मक प्लेटफॉर्म लाभ का परिणाम देते हैं।

महत्व
यह शोध पत्र वैचारिक और परिचालन दोनों रूप से महत्व का दावा करता है। वैचारिक रूप से, यह डेटा और मॉडल मूल्य निर्धारण को एक एकल, समवर्ती प्रक्रिया के रूप में मानता है जहाँ मूल्य संकेत द्विदिश रूप से प्रसारित होते हैं, जिससे खरीदार राजस्व एकत्रीकरण के माध्यम से एक-दूसरे को प्रभावित करते हैं और विक्रेता कुल प्रशिक्षण व्यय के माध्यम से एक-दूसरे को प्रभावित करते हैं। परिचालन रूप से, यह तंत्र व्यापक स्थितियों के तहत एक स्व-सुसंगत मूल्य वेक्टर प्रदान करता है, जो बिना किसी केंद्रीय ब्रोकर के पारदर्शी और दोहराने योग्य लेनदेन का समर्थन करता है। लेखक इस कार्य को ह्यूरिस्टिक वार्निंग लूप्स और क्रमिक पाइपलाइनों के एक सिद्धांत-आधारित विकल्प के रूप में प्रस्तुत करते हैं, जो सिद्ध अभिसरण गारंटी के साथ मल्टी-बायर और मल्टी-सेलर बाजारों तक स्केल करने योग्य एक सरल ढांचा प्रदान करता है।

1. दो-तरफा गूंज (The Two-Way Echo Chamber)

2. "निष्पक्षता पैमाना" (Shapley Values)

3. "गणितीय जादू" (Fixed-Point Equilibrium)

4. यह बेहतर क्यों है?

इसी तरह के और पेपर