Incentive Compatibility, Scalability and Privacy in real time Demand Response
可再生能源在现代智能电网中的高度渗透需要开发需求响应（DR）机制以及针对新兴灵活性市场的相应创新服务。从博弈论的角度来看，这种DR机制的基本关键性能指标（KPI）是在社会福利、实用性和激励保证方面的效率，在某种意义上，使每个用户根据他/她的偏好如实行事成为主导策略，不留下作弊的余地。在本文中，我们提出了一个DR架构，包括一个基于Ausubel成交拍卖和通信协议的机制，可证明保证效率和真实的用户参与。通过简单的查询增强了参与的实用性/容易性，而通过分布式实现解决了用户隐私问题。仿真结果证实了所需的属性，同时也表明，在参与者不是特别灵活的市场中，真实性属性变得更加重要
2019-02-25 cs.GT
Characterizations of Network Auctions and Generalizations of VCG
本文研究社交网络中的拍卖问题，针对单件设置刻画了网络拍卖在弱预算平衡、个体合理性、激励兼容性及效率等方面的性质，并利用奖励等新概念设计了有效且尽可能满足激励兼容性的机制，为理解社交网络拍卖提供了见解。
2023-08-02 cs.DS cs.GT
The Incentive Guarantees Behind Nash Welfare in Divisible Resources Allocation
研究可分割资源分配中MNW与PA机制的激励保证，证明MNW在蛋糕切割中激励比率为2，PA介于[e^(1/e),e]间，并给出无嫉妒机制的最优激励比率结果。
2025-04-23 cs.GT
Portfolio-Based Incentive Mechanism Design for Cross-Device Federated Learning
针对跨设备联邦学习中客户端性能随机难预估导致激励机制设计有偏差的问题，提出基于投资组合理论的FL-IMP机制，并引入FL-ABM模拟自主客户端，实验验证其效果优于基准方法。
2024-07-12 cs.GT
A Contract-based Incentive Mechanism for Energy Harvesting-based Internet of Things
通过使无线设备能够无线和远程充电，射频能量收集（RFEH）已成为一种有前途的技术，为无人值守的物联网（IoT）低功耗设备供电。为了实现这一点，在未来的物联网网络中，除了负责从物联网设备收集数据的传统数据接入点（DAP）之外，还应该部署能量接入点（EAP）来向物联网设备传输射频（RF）能量，以维持其可持续运行。在实践中，DAP和EAP可以由不同的运营商操作，并且DAP应当提供某些激励以激励周围的EAP对其相关联的IoT设备进行充电，以帮助其数据汇集。受此启发，在本文中，我们开发了一种基于合同理论的激励机制，用于RFEH辅助物联网系统中的能量交易。分析了合同成立的充分必要条件。最优契约是以DAP的期望效用和社会福利最大化为目标的。仿真结果验证了该激励机制的可行性和有效性。
2017-03-17 cs.GT cs.IT cs.NI
On the Computational Complexity of Mechanism Design in Single-Crossing Settings
本文探讨了单交叉域中多项式时间激励相容机制的计算复杂性，首次证明了其与非激励相容算法在能力上存在差距，同时为多单元拍卖的福利最大化提出了首个适用于所有单交叉域的激励相容 FPTAS 机制。
2023-05-22 cs.GT
Incentive Mechanisms for Federated Learning: From Economic and Game Theoretic Perspective
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；PHENIKAA University（维新大学）；Nanyang Technological University（南洋理工大学）
联邦学习（FL）在训练大规模机器学习（ML）模型而不暴露所有者的原始数据方面表现出巨大的潜力。在FL中，数据所有者可以基于本地数据训练ML模型，并且只将模型更新而不是原始数据发送给模型所有者进行聚合。为了提高模型精度和训练完成时间方面的学习性能，招募足够的参与者至关重要。同时，数据所有者是理性的，可能不愿意参与协作学习过程中，由于资源消耗。为了解决这些问题，最近提出了各种工作，以激励数据所有者贡献他们的资源。在本文中，我们提供了一个全面的审查，在文献中提出的经济和博弈论的方法来设计各种方案，刺激数据所有者参与外语培训过程。特别是，我们首先介绍了FL的基本原理和背景，经济学理论常用的激励机制设计。最后，对物流企业激励机制设计中存在的问题和未来的研究方向进行了展望。
2021-11-20 cs.GT cs.LG
Incentive Mechanism Design for Heterogeneous Peer-to-Peer Networks: A Stackelberg Game Approach
对等网络（P2P）系统具有高扩展性、高视频流质量和低带宽要求，已经成为在互联网上交换文件和传送多媒体内容的流行方式。然而，目前的P2P系统遭受“搭便车”，由于节点的自私性质。在本文中，我们提出了一个基于信用的激励机制，以鼓励对等点相互合作，在一个异构的网络，由有线和无线对等点。该机制通过有偏的资源分配为具有不同信用的节点提供差异化服务。一个Stackelberg游戏制定，以获得最优的定价和购买策略，这可以共同最大化的收入的上传者和下载者的效用。特别地，在设计Stackelberg博弈的效用函数时，考虑了节点的异质性和自私性。实验结果表明，所提出的资源分配方案能够有效地为节点提供服务差异化，激励节点为P2P流媒体系统做出贡献.
2014-07-24 cs.GT cs.NI
The Price of Incentivizing Exploration: A Characterization via Thompson Sampling and Sample Complexity
Stanford University（斯坦福大学）；Microsoft Research NYC（微软研究院纽约）
我们考虑激励探索：一个版本的多武装土匪的武器的选择是由自利代理控制，算法只能发出建议。算法控制着信息的流动，信息不对称可以激励智能体进行探索。先前的工作实现了最佳的后悔率乘法因子，成为任意大的贝叶斯先验，并按指数级的武器数量。一个更基本的问题是对每个手臂进行一次采样，这也会遇到类似的因素。我们关注的是激励的代价：广义上说，为了激励相容而导致的业绩损失。我们证明了汤普森采样，一个标准的强盗算法，是激励兼容的，如果初始化有足够多的数据点。因此，由于激励措施造成的业绩损失仅限于收集这些数据点的最初几轮。这个问题在很大程度上被简化为样本的复杂性：需要多少轮？我们解决这个问题，提供匹配的上限和下限，并实例化他们在各种推论。通常，最佳样本复杂度在臂数上是多项式的，在“信念强度”上是指数的。
2022-06-12 cs.DS cs.GT cs.LG
Bounded Incentives in Manipulating the Probabilistic Serial Rule
Shanghai University of Finance and Economics（上海财经大学）；Peking University（北京大学）；University of Southampton（南安普顿大学）
概率序列机制以其令人满意的公平性和效率特性而闻名。它是解决随机分配问题最重要的协议之一。然而，ProbabilitySerial不是激励相容的，因此这些理想的属性只适用于代理人的声明偏好，而不是他们真正的偏好。通过策略行为获得的大量效用收益会引发自利主体操纵机制，并会破坏在实践中采用机制的基础。在本文中，我们的特点，在何种程度上可以提高其效用的个人代理的战略操纵。我们证明了该机制的激励比为$\frac{3}{2}$。也就是说，没有一个智能体可以误报其偏好，从而使其效用超过如实报告时的1.5倍。该比率是最坏情况下的保证，允许代理具有关于其他代理的报告的完整信息，并找出最佳响应策略，即使它通常在计算上是难以处理的。为了补充这个最坏的情况下的研究，我们进一步评估代理的效用增益平均通过实验。实验表明，代理人操纵规则的动机是非常有限的。这些结果揭示了概率序列对策略操纵的鲁棒性，这比知道它不是激励相容的更进一步。
2020-01-28 cs.AI cs.GT cs.MA
Incentive Mechanism Design for Distributed Ensemble Learning
University of California, Davis（加州大学戴维斯分校）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
针对分布式集成学习中自利学习器参与意愿不足的问题，提出首个激励机制，通过交替算法优化训练数据量与奖励，实现精度与多样性的平衡。
2023-10-13 cs.GT cs.LG
ZETAR: Modeling and Computational Design of Strategic and Adaptive Compliance Policies
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）；New York University（纽约大学）
ZETAR提出零信任审计与推荐框架，通过凸规划定制激励策略，分类内部人员并学习完全可信策略集，显著提升合规性与满意度。
2023-10-14 cs.AI cs.GT
Learning Best Response Policies in Dynamic Auctions via Deep Reinforcement Learning
本文利用深度强化学习，将动态拍卖中的竞拍者决策建模为马尔可夫决策过程，提出软演员-评论家算法结合经验重标注，以学习最优响应策略并发现有利可图的偏离，从而理解动态拍卖的激励属性。
2023-12-20 cs.GT
Incentivizing the Workers for Truth Discovery in Crowdsourcing with Copiers
众包已经成为执行大规模任务的有效范例。真相发现和激励机制是众包系统的基础。人们已经提出了许多用于众包的真相发现方法和激励机制。然而，他们中的大多数不能适用于处理与复印机众包。为了解决这个问题，我们制定的问题，最大化的社会福利，使所有的任务可以完成的真理发现的信心最小。我们设计了一个由真相发现阶段和反向拍卖阶段组成的激励机制。在真值发现阶段，我们根据工作者的依赖性和准确性来估计每个任务的真值。在逆向拍卖阶段，我们设计了一个贪心算法来选择获胜者并确定支付额。通过严格的理论分析和大量的模拟，我们证明了所提出的机制实现计算效率，个人的理性，真实性，并保证近似。此外，当众包系统中存在复制者时，我们的真相发现方法在精确度方面显示出显著的优势。
2019-01-12 cs.GT
Understanding Federated Learning Through the Lens of Mechanism Design: The Role of Data Heterogeneity
University of Michigan（密歇根大学）
该研究通过将经典外部性机制适配联邦学习场景，对比了夏普利值机制与外部性机制在社会最优性、个体理性等维度的表现，揭示了互惠公平与社会效率的权衡关系。
2026-08-26 cs.GT cs.SI
The Value of Privacy: Strategic Data Subjects, Incentive Mechanisms and Fundamental Limits
我们研究了交易私人数据的博弈论模型中的数据隐私价值，其中数据收集者通过激励机制从战略数据主体（个人）购买私人数据。每个个体的私有数据表示她关于底层状态的知识，这是数据收集器希望学习的信息。与大多数现有的隐私感知调查工作不同，我们的模型不假设数据收集器是值得信赖的。然后，个人完全控制自己的数据隐私，并仅报告其数据的隐私保护版本。在本文中，隐私的$ε$单位的价值是衡量所有非负支付机制的最低支付，在纳什均衡下，个人的最佳对策是报告的数据与隐私水平的$ε$。$ε$越高，报告数据的私密性越低。我们得出的上下限的隐私值是渐近紧的数据主体的数量变得很大。具体地说，下限保证不可能使用更少的支付金额来购买$ε$单位的隐私，上限由我们设计的可实现的支付机制给出。基于这些基本限制，我们进一步推导出数据收集器达到给定学习精度目标的最小总支付的上下限，并表明所设计的机制的总支付最多是一个人的支付远离最小值。
2016-03-22 cs.CR cs.GT
Efficient Core-selecting Incentive Mechanism for Data Sharing in Federated Learning
Northwestern Polytechnical University（西北工业大学）；China Electronics Technology Group Corporation（中国电子科技集团公司）
针对联邦学习中如实贡献数据与稳定协作的激励问题，提出基于合作博弈核心、松弛优化和采样联盟近似的高效核心选择机制，降低计算开销并验证其激励效果。
2023-09-26 cs.GT cs.LG
An Optimal Dynamic Mechanism for Multi-Armed Bandit Processes
我们考虑的问题，收入最优的动态机制设计的设置，代理人的类型随着时间的推移而演变的功能，他们（公共和私人）的经验，反复拍卖的项目在无限的地平线。这里的一个核心问题是理解环境的哪些自然限制允许设计最优机制（注意，即使在更简单的静态设置中，最优机制也只能在某些限制下表征）。我们提供了一个{ \em结构表征}的自然“可分离的：多臂强盗环境（其中的进化和激励结构的先验类型是解耦的后续经验在一个精确的意义上），动态最优机制设计是可能的。在这里，我们提出了虚拟索引机制，一个最佳的动态机制，它最大化（长期）{ \em虚拟盈余}使用经典的Gittins算法。该机制在考虑到激励措施的情况下，最佳地平衡了勘探和开采。
2010-10-15 cs.GT
Is Your LLM Overcharging You? Tokenization, Transparency, and Incentives
Ander Artola Velasco（1. 阿德纳·阿尔托拉·韦拉斯科）；Stratis Tsirtsis（2. 斯特拉蒂斯·蒂尔蒂斯）；Nastaran Okati（3. 纳斯塔兰·奥卡蒂）
研究当前按token计费机制下，服务提供商可能通过策略性报告token数量来过度收费，并提出按字符线性定价的激励相容机制以消除该财务激励。
2026-05-28 cs.AI cs.CY cs.GT
Foundations of Transaction Fee Mechanism Design
在比特币和以太坊等区块链中，用户在交易费拍卖中竞争，以在下一个区块中确认他们的交易。最近的一系列工作提出了一个“梦想”的交易费用机制（TFM）的必要性，并探讨了这种机制是否存在。理想的TFM应该满足1）用户激励兼容性（UIC），即，真实出价应该是用户的主导策略; 2）矿工激励兼容性（MIC），即，矿工的主导策略是忠实地实现规定的机制;以及3）矿工-用户侧合同证明（SCP），即，矿工和一个或多个用户的联盟不能通过偏离诚实行为来增加他们的联合效用。最弱的SCP形式称为1-SCP，我们的目标只是提供抵御矿工和单个用户合谋的能力。可悲的是，尽管进行了各种尝试，但据我们所知，没有任何现有机制可以在所有情况下满足所有三个属性。由于TFM在建模和假设上偏离了经典的机制设计，到目前为止，我们对设计空间的理解相对较少。在本文中，我们进一步解开的数学结构的交易费机制设计证明以下结果：-我们可以有一个梦想TFM？- 重新思考激励相容性概念。- 新的设计元素有什么不同吗？
2022-11-04 cs.GT econ.TH
Adaptive Mechanism Design: Learning to Promote Cooperation
University College London（伦敦大学学院）
在未来，人工学习代理可能会在我们的社会中变得越来越普遍。他们将在各种复杂的环境中与其他学习代理和人类互动，包括社会困境。我们考虑的问题是，外部代理如何通过观察学习者的行为来分配额外的奖励和惩罚，从而促进人工学习者之间的合作。我们提出了一个规则，自动学习如何通过考虑球员的预期参数更新创建正确的激励。使用这种学习规则导致在矩阵博弈中具有高社会福利的合作，否则代理将以高概率学习背叛。我们表明，即使在给定的情节数后关闭规划代理，在某些游戏中所产生的合作结果是稳定的，而其他游戏需要持续的干预，以保持相互合作。然而，即使在后一种情况下，必要的额外奖励也会随着时间的推移而减少。
2019-11-20 cs.AI cs.GT
Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework
Nanyang Technological University（南洋理工大学）；Sungkyunkwan University（成均馆大学）；University of Waterloo（滑铁卢大学）
在本文中，我们解决了虚拟服务提供商（VSP）设计激励机制的问题，以雇用传感物联网设备来销售他们的传感数据，以帮助创建和渲染Metaverse中物理世界的数字副本。由于带宽有限，我们建议使用语义提取算法来减少传感物联网设备传输的数据。然而，雇用感测物联网设备与VSP共享其数据，然后将构建的数字孪生传递给Metaverse用户的机制容易受到逆向选择问题的影响。当不同主体的私有信息具有多维性时，由于系统主体之间的信息不对称而导致的逆向选择问题变得更加难以解决。我们提出了一种新的迭代合同设计，并使用一种新的变体的多智能体强化学习（MARL）来解决模型化的多维合同问题。为了证明我们的算法的有效性，我们进行了广泛的模拟和测量的Metaverse合同的几个关键性能指标。我们的研究结果表明，我们设计的迭代合同是能够激励参与者进行真实的互动，最大限度地提高利润的VSP与最小的个人理性（IR）和激励相容性（IC）的违规率。此外，所提出的基于学习的迭代合同框架有限制地访问参与者的私人信息，这是尽我们所知，第一次在解决激励机制中的逆向选择问题。
2023-02-25 cs.AI cs.GT
Benefits of Permutation-Equivariance in Auction Mechanisms
University of Science and Technology of China（中国科学技术大学）；JD Explore Academy, JD.com Inc.（京东集团京东探索研究院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
设计一个激励相容的拍卖机制，使拍卖人的收益最大化，同时投标人的事后后悔最小化，是一个重要而又复杂的经济学问题。利用神经网络学习最优拍卖机制取得了显著的进展。在本文中，我们考虑流行的加法赋值和对称赋值设置;即，一组项目的估价被定义为该组中所有项目估价的总和，并且当投标人和/或项目被置换时，估价分布不变。我们证明了置换等变神经网络具有显著的优点：置换等变降低了期望事后后悔，提高了模型的泛化能力，同时保持了期望收益不变。这意味着置换等方差有助于接近理论上最优的优势策略激励相容条件，并降低了所需的样本复杂性所需的推广。大量的实验充分支持了我们的理论。据我们所知，这是第一个工作，了解的好处，置换等方差拍卖机制。
2022-10-11 cs.AI cs.GT cs.LG
Moral Hazard in LTI Dynamics: A Hypothesis Testing Approach
University of California, Berkeley（加州大学伯克利分校）
本文研究了在信息不对称条件下设计控制系统的激励机制，通过假设检验方法确定最优支付方案以激励代理选择最小化二次成本的控制器。
2026-04-30 cs.GT cs.SY eess.SY
