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

Resumo Técnico: TripleWin: Precificação de Equilíbrio de Ponto Fixo para Mercados Acoplados de Dados e Modelos

Declaração do Problema
O surgimento da economia de modelos de aprendizado de máquina (ML) criou mercados entrelaçados para conjuntos de dados de treinamento e modelos pré-treinados. No entanto, as abordagens de precificação existentes geralmente tratam esses mercados como locais separados ou dependem de pipelines centrados em corretores que priorizam um lado da transação. Em modelos dominados por corretores, os preços são frequentemente definidos sequencialmente (por exemplo, fixando primeiro os pagamentos de dados e depois majorando os preços dos modelos, ou vice-versa), o que falha em capturar a interdependência simultânea entre os custos de dados e a demanda por modelos. Além disso, estudos recentes sobre mercados de dados com externalidades frequentemente carecem de um mecanismo simétrico que determine simultaneamente os preços para vendedores de dados, produtores de modelos e compradores de modelos. Essa desacoplagem leva a uma fragilidade na equidade, onde uma parte captura o excedente às custas das outras, e à ineficiência, pois os sinais de preço não se propagam limpa através do sistema.

Metodologia
Os autores propõem o TripleWin, um mercado unificado acoplado de dados e modelos que trata a negociação de conjuntos de dados e modelos como um único sistema simultâneo. O núcleo da metodologia é um mecanismo de precificação bidirecional que liga quatro interações: propagação de oferta e demanda em ambas as direções e acoplamento mútuo entre compradores e entre vendedores.

1. Entidades de Mercado e Interações: O mercado consiste em vendedores de dados (que publicam preços por uso $p_{D \to M}$), produtores de modelos (que treinam modelos em conjuntos de dados e visam uma margem de lucro $\delta_M$) e compradores de modelos (que submetem ofertas $p_{B \to M}$).
2. Mapeamentos de Cotação Bidirecionais:
   • Mapeamento do Lado da Oferta (Downstream): Transforma os pagamentos de conjuntos de dados e a margem-alvo do produtor em cotações de modelos visíveis aos compradores. A cotação do lado do comprador é calculada como a sobrecarga do modelo mais a margem do produtor aplicada à soma dos pagamentos de conjuntos de dados: $v_{B \to M} = \kappa_M + (1 + \delta_M) \sum p_{D \to M}$.
   • Mapeamento do Lado da Demanda (Upstream): Propaga os preços dos compradores de volta para os conjuntos de dados. Agrega as ofertas dos compradores em uma receita efetiva de treinamento $W_j$ (ponderada pelos pesos dos compradores $\omega_{jk}$) e aloca essa receita aos conjuntos de dados com base em seus valores de Shapley ($SV_{i|j}$), que medem sua contribuição marginal para a utilidade do modelo. A cotação do conjunto de dados é: $v_{D \to M} = \kappa_D + \frac{SV_{i|j}}{1 + \delta_M} W_j$.
3. Formulação de Ponto Fixo: O objetivo "Triple Win" é definido como o alinhamento entre os preços publicados individualmente e as cotações de mercado derivadas desses mapeamentos. O mercado se equilibra quando o vetor de preços publicados $p$ é igual ao vetor de cotações $Q(p)$, formando uma condição de ponto fixo $p = Q(p)$.
4. Fundamentação Teórica: Os autores provam que o operador conjunto $Q$ é uma Função de Interferência Padrão (SIF). Ao satisfazer positividade, monotonicidade e escalabilidade, o operador garante a existência e unicidade de um ponto fixo. Consequentemente, uma simples iteração de ponto fixo (Algoritmo 1) converge globalmente para o equilíbrio a partir de qualquer inicialização não negativa, inclusive em formas alternadas por blocos e assíncronas.

Principais Contribuições

• Modelo de Mercado Unificado: Introduz um mercado acoplado de dados e modelos onde as transações de dados de treinamento e as transações de modelos são camadas interdependentes de um único mercado, eliminando a necessidade de um intermediário privilegiado para ditar preços sequenciais.
• Objetivo Triple Win: Formaliza o objetivo como um acordo simultâneo entre vendedores de dados, produtores de modelos e compradores de modelos, instanciado por meio de mapeamentos de cotação bidirecionais que utilizam alocação baseada em Shapley para compensação de dados.
• Garantias Teóricas: Prova que o operador de precificação conjunto é uma SIF, garantindo um equilíbrio de ponto fixo único e convergência global do algoritmo de precificação.
• Viabilidade Analítica: Deriva envelopes de viabilidade de forma fechada e estáticas comparativas, mostrando como os preços de equilíbrio respondem a mudanças em sobrecargas (offsets), margens e reservas de compradores.

Resultados Experimentais
Os autores avaliam o TripleWin contra várias linhas de base, incluindo pipelines de um só lado (SupplyFirst, DemandFirst), abordagens centradas em corretores (BrokerCentric, Dealer) e mecanismos baseados em aprendizado (VAP, CMAB-HS).

• Convergência e Sucesso: O TripleWin alcança a maior taxa de sucesso de transação de ponta a ponta (98,26%) em comparação com as linhas de base, que frequentemente sofrem de baixas taxas de sucesso devido a precificações desalinhadas.
• Equidade: O TripleWin demonstra um alinhamento superior de equidade, com uma correlação de Spearman de 0,90 entre as contribuições de Shapley e as participações de receita de dados realizadas. Em contraste, as linhas de base de um só lado mostram correlações fracas ou negativas.
• Robustez: Sob choques de demanda descendentes, o TripleWin mantém a maior resiliência ao ruído (92,06%), superando outros métodos na retenção de bem-estar e estabilidade das transações.
• Distribuição de Excedente: O mecanismo alcança uma divisão equilibrada do excedente entre compradores e vendedores, mantendo ao mesmo tempo um lucro positivo da plataforma, enquanto as linhas de base frequentemente tendem fortemente para uma parte ou resultam em lucros negativos da plataforma.

Significância
O artigo reivindica significância tanto conceitual quanto operacional. Conceitualmente, trata a precificação de dados e modelos como um único processo simultâneo onde os sinais de preço se propagam bidirecionalmente, garantindo que os compradores influenciem uns aos outros através da agregação de receitas e que os vendedores influenciem uns aos outros através da despesa total de treinamento. Operacionalmente, o mecanismo produz um vetor de preços autoconsistente sob condições amplas, apoiando transações transparentes e repetíveis sem um corretor central. Os autores posicionam este trabalho como uma alternativa principiante a loops de negociação heurística e pipelines sequenciais, oferecendo um quadro simples, orientado pela teoria, com garantias de convergência prováveis que escala para mercados com múltiplos compradores e múltiplos vendedores.