Private Optimal Inventory Policy Learning for Feature-based Newsvendor with Unknown Demand

本文介绍了一个数据驱动的新闻供应商问题，该问题涉及特征，并近期成为一个重要的研究领域，这是由于在零售、供应链、电子商务和医疗保健等各个领域数据的大量涌现。由于在特征分析中经常使用的客户或组织数据的敏感性质，因此确保个人隐私以维护信任和信心至关重要。尽管隐私保护非常重要，但在库存规划的背景下，隐私保护仍未得到探索。一个关键挑战是新闻供应商损失函数的不光滑性，这使得它与其他设置中隐私保护算法的现有工作有所不同。本文提出了一种新方法，在f-差分隐私框架下估计隐私保护的最优库存策略，这是经典的$(\epsilon, \delta)$-差分隐私的扩展，具有几个吸引人的属性。我们基于卷积平滑开发了一个剪切噪声梯度下降算法，用于最优库存估计，以同时解决三个主要挑战：（1）未知的需求分布和不光滑的损失函数；（2）个人级别数据的可证明隐私保证；（3）期望的统计精度。我们推导出有限样本高概率界限，用于最优策略参数估计和后悔分析。通过利用新闻供应商问题的结构，我们获得了比普遍的非光滑凸损失的现有结果的过度人口风险界限更快的界限。我们的界限与强凸和光滑损失函数的界限相一致。我们的数值实验表明，所提出的新方法可以在成本略微增加的情况下实现理想的隐私保护。

本文旨在解决基于特征的数据驱动新闻供应商问题中的隐私保护问题，提出一种新的方法来估计隐私保护下的最优库存策略。

本文提出了一种在f-差分隐私框架下的剪切噪声梯度下降算法，基于卷积平滑用于最优库存估计，解决了三个主要挑战：未知的需求分布和非光滑损失函数；个体级数据的可证明隐私保证；和期望的统计精度。

本文的亮点包括：提出了一种新的方法来解决库存规划中的隐私问题；提供了有限样本高概率界限，用于最优策略参数估计和遗憾分析；通过利用新闻供应商问题的结构，得到了比一般非光滑凸损失的现有结果更快的超额人口风险界限；数值实验表明，该方法在保护隐私方面具有可取的隐私保护能力，成本增加微不足道。

在这个领域中的相关研究包括：基于差分隐私的库存管理、隐私保护的机器学习、隐私保护的数据挖掘等。