Agent based negotiation for incentive driven privacy preserving information sharing

Abstract

Şirketler, hizmetlerini özelleştirirken, genellikle kullanıcıların verilerini kullanmaktadırlar. Yeni düzenlemeye göre, kullanıcıların özel verilerini depolamak ve paylaşmak için kullanıcıların iznini almak gerekmektedir. Mevcut yaklaşımlar, bazı teşvikler sağlayarak erişim hakları talep etmeye dayanmaktadır. Müşteriler, şirketlerin sundukları teşviklere karşılık erişim haklarını talep ettiklerinde cevap olarak sadece olumlu ya da olumsuz olarak dönüş yapabilmektedirler. Bu tez, etmen temelli, teşvik odaklı ve mahremiyete dayalı bir bilgi paylaşım sistemi sunmaktadır. Bu tezin ana katkılarından biri, veri sağlayıcısına bilgi paylaşım sürecinde aktif bir rol vermek ve sağlayıcı ile veri kullanıcısı arasındaki mevcut asimetrik pozisyonu veri sağlayıcısı lehine değiştirmesidir. Veri kullanıcısının veri talebine ve teşvik teklifine evet / hayır cevab şekli yerine, sağlayıcı, talep edilen veri paketinden, yüksek mahremiyet değeri olan bazı verileri tekliften çıkararak pazarlık yapabilir veya farklı bir teşvik türü talep edebilir. Sunulan yaklaşımı bir kullanım senaryosu üzerinde gösterip kullanıcı deneyi yapılmıştır. Anket cevapları, katılımcıların, bilgi paylaşım politikalari hakkında firmalarla müzakere etme fikrini tastiklediklerini göstermiştir.Ayrıca, bu tez, otomatik müzakere yapan etmenler için derin pekiştirmeli öğrenmeyi kullanan bir kabül stratejisi önermektedir. Otomatik müzakere literatüründe, kabül stratejilerinin çoğu önceden tanımlanmış bazı kurallara dayanmaktadır. Farklı olarak, bu tez, rakibin teklifini ne zaman kabül edeceğini öğrenmek için pekiştirmeli öğrenmeyi kullanmayı önermektedir. Deneysel değerlendirmemiz, geliştirilen kabül stratejisinin, AC-Next kabül stratejisi kadar iyi performans sağladığını göstermektedir.

While customizing their services, companies usually use their users' data. According to the new regularization, it is required to get the permission of their users to be able to store and share their users' private data. The current approaches rely on requesting access rights by providing some incentives. The customers can only accept or reject the possible incentive offered by the companies exchange for giving access rights. This thesis introduces an agent-based, incentive-driven, and privacy-preserving information sharing framework. One of the main contributions of this thesis is to give the data provider agent an active role in the information sharing process and to change the currently asymmetric position between the provider and the requester of data and information (DI) to the favor of the DI provider. Instead of a binary yes/no answer to the requester's data request and the incentive offer, the provider may negotiate about excluding from the requested DI bundle certain pieces of DI with high privacy value, and/or ask for a different type of incentive. We show the presented approach on a use case and conduct a user experiment. Questionnaire responses showed that participants like the idea of negotiation on their information sharing policies with the companies. Furthermore, this thesis proposes an acceptance strategy using deep reinforcement learning for automated negotiating agents. In the automated negotiation literature, most of the acceptance strategies are based on some predefined rules. In contrast, this thesis proposes to use reinforcement learning in order to learn when to accept opponent's offer. Our experimental evaluation shows that the developed acceptance strategy performed as well as AC-Next acceptance strategy.