في عالم البيانات المتطورة، تظهر تحديات متعددة تؤثر سلبًا على تصميمات الأسواق التقليدية. فأسواق البيانات المعتمدة على الرسوم البيانية الزمنية تواجه ثلاث مشاكل مترابطة، تشمل صعوبات في استرجاع البيانات مع تغير الحواف، وعدم دقة تحديد الأسعار، واستهلاك مفرط لموازنات الخصوصية.

تقديمًا لهذه التحديات، أطلقت مجموعة من الباحثين نظام CHRONOS، الذي يتميز ببنية ثلاثية الطبقات تهدف إلى تقديم حل متكامل. الطبقة الأولى تطبق نموذج الانحدار الديناميكي (neural-ODE) الذي يعمل على تحسين استرجاع البيانات بواسطة تقليل فقدان الذاكرة في بناء الاستعلامات، حيث يشير النموذج إلى توقع انخفاض دقة الاسترجاع بمعدل Big-O، وهو ما يعكس تحسنًا كبيرًا وموثوقية تتراوح بين 1.8 إلى 3.2 أضعاف الخسائر الملاحظة.

أما الطبقة الثانية، فتقوم بشرط تقييم شابل (Shapley valuation) على نقاط التحول المكتشفة، مما يوفر ضمانات لأخطاء العينة المحدودة في ظل الضوضاء. ومن جهة أخرى، تستخدم الطبقة الثالثة منهجية EXP3-IX لتحقيق Big-O من الجذر التربيعي لـ T log T في تزايد الأسف، مع تعزيز الخصوصية من خلال معايير epsilon وdelta. يتم إصدار مصفوفة الاهتمام الخاصة بالخصوصية لكل حقبة باستخدام آلية غاوسيّة، مما يعني أن عمليات الاسترجاع والترتيب تتم بعد المعالجة دون تحميل تكاليف إضافية على الخصوصية.

في الاختبارات الأربعة، حقق نظام CHRONOS نسبة استرجاع بلغت 0.937 بسرعة استعلام تقدر بـ 2.74 استعلام في الثانية مع زمن استجابة يبلغ 161 مللي ثانية. وترتيب الخصوصية بشكل عام كان بمعدل epsilon قدره 4.25 مع delta بمقدار 10 مرفوعًا للقوة السلبية 6، مما يدل على موقف تشغيلي تنافسي للغاية.

ومع ذلك، يجب الإشارة إلى أن مستوى الخصوصية هذا قد يؤدي إلى بقاء التقييمات المحررة تحت تأثير الضوضاء، حيث تعتمد الفائدة بشكل أساسي على توجيه المؤشرات العامة والجدولة التكيفية المدفوعة بإحصائيات ذات حساسية منخفضة.