A strategic timing of arrivals to a linear slowdown processor sharing system
我们考虑一个离散的人口的用户同质的服务需求，谁需要决定何时到达一个系统中的服务率线性恶化的系统中的用户数。用户具有不同的期望出发时间，他们的目标是最小化旅行时间和期望出发时间的平方偏差的加权和。用户根据他们期望的出发时间顺序依次加入系统。我们将这种情况建模为一个非合作博弈，每个用户选择他的实际到达时间。我们提出了明确的两个用户的例子，即子博弈完美和纳什均衡的均衡解决方案，并表明可能存在多个均衡。我们进一步解释了为什么任何数量的用户的一般解决方案是计算上的挑战。困难在于目标函数是分段凸的，即，非光滑和非凸的。因此，成本的最小化依赖于检查所有的到达和离开顺序排列，这是指数大的人口规模。相反，我们提出了一个迭代的最佳响应算法，可以有效地进行数值研究。最后，我们比较了均衡到达配置文件的社会最优解决方案，并讨论了影响。
2016-05-17 cs.GT
Optimal network structure for collective performance with strategic information sharing
Peking University（北京大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；CNRS UMR7225（法国国家科学研究中心联合研究实验室7225）；INRIA Paris（巴黎国家信息与自动化研究所）；INSERM U1127（法国国家健康与医学研究院联合研究单位1127）；AP-HP（巴黎公立医院集团）；KTH Royal Institute of Technology（瑞典皇家理工学院）；University of Electronic Science and Technology of China（电子科技大学）；INFN（意大利国家核物理研究所）；Complexity Science Hub Vienna（维也纳复杂性科学中心）
本文研究了在集体任务中，战略信息共享如何影响群体表现，通过演化博弈模型分析网络结构对集体性能的影响，发现最优网络结构是共享率与信息整合方式的权衡结果。
2026-05-01 cs.GT physics.soc-ph
Sharing of Unlicensed Spectrum by Strategic Operators
面对满足日益增长的无线数据需求的挑战，该行业正在努力开发任何人都可以免费使用而无需获得许可证的大片频谱。主要标准机构目前正在考虑在低于6 GHz的未授权频段中重新装备和部署长期演进（LTE）技术的提议。本文研究的基本问题，是否以及如何可以共享的非授权频谱的本质战略运营商，而不遭受的悲剧公地。考虑了一类一般效用函数。频谱共享的问题被制定为一个重复的游戏在一个序列的时隙。它首先表明，一个简单的静态共享计划允许一组给定的运营商达到子博弈完美的纳什均衡互利共享。有多少运营商会选择进入市场的问题也通过研究进入博弈来解决。一个共享方案，允许动态频谱借用和运营商之间的贷款，然后提出了解决时变流量，并证明达到完美的贝叶斯均衡。数值结果表明，所提出的动态共享方案优于静态共享，这反过来又实现了更高的收入比不协调的全频谱共享。还讨论了结果对未授权频带中的LTE（LTE-U）的标准化和部署的影响。
2017-01-26 cs.GT cs.IT math.IT
Cost Sharing for Connectivity with Budget
针对加权无向图连通性中的成本分摊问题，设计机制激励中间节点不切断边，以最小化连接所有节点的总成本。
2023-11-15 cs.GT
If more than Analytical Modeling is Needed to Predict Real Agents' Strategic Interaction
本文介绍了跨学科的研究基础设施，了解人类的推理博弈论的条款。战略推理被认为影响人类在社会、经济和竞争互动中的决策。提供的介绍解释并连接了人工智能、博弈论和心理学的概念。第一个结果是跨学科游戏描述语言的概念，作为重点跨学科研究基础设施的一部分。这种特定领域语言的需求是有动机的，旨在加速当前的发展。第二部分总结了目前的研究现状及其意义。
2011-05-03 cs.GT
A Formal Separation Between Strategic and Nonstrategic Behavior
针对策略性与非策略性行为界限模糊的问题，本文提出非策略性行为的新形式化刻画，证明其可涵盖已知非策略性决策规则且与策略性行为存在精确分离，解决有限理性博弈论相关指导缺失问题。
2025-02-10 cs.GT
Mechanism Design with Strategic Mediators
我们考虑的问题，设计机制，通过战略中介（或中介）与战略代理人互动，并调查社会成本，由于中介的战略行为。拥有私人信息的自私代理人都与一个策略中介人相关联，并且只能通过该中介人与该机制进行交互。每个中介者的目标是优化其代理人的组合效用，而机制的目标是优化所有代理人的组合效用。我们专注于设施的位置上的度量引起的一个公知的树的问题。对于非策略中介，存在最优的主导策略机制。我们表明，当代理人和调解人的行为策略，有没有占主导地位的战略机制，实现任何近似。因此，我们稍微放松了激励约束，并定义了双边激励相容机制的概念。我们证明了Procaccia and Tennenholtz（2013）和Dekel et al.（2010）提出的$3$ -竞争确定性机制可以自然地扩展到树，并且仍然是$3$ -竞争和双边激励相容的。这基本上是最好的可能。然后，我们表明，通过允许随机化可以构建一个$2$竞争随机机制，是双边激励兼容，这也是本质上紧。这一结果也填补了Procaccia and Tennenholtz（2013）和Lu et al.（2009）工作中留下的空白，即为一条线上没有中介的加权代理设计策略验证机制的更简单问题，同时扩展到更一般的树模型。我们还调查了上述设置有多个层次的调解人的进一步推广。
2015-01-19 cs.GT
The Influence of One Strategic Agent on the Core of Stable Matchings
在这项工作中，我们分析了一个单一的战略代理人对其他代理人的匹配在匹配市场的质量的影响。我们认为一个稳定的匹配问题与$n$男性和$n$女性的偏好时，均匀地从可能的$(n!)^{2n}$完整的排名选项。我们专注于一个单一的女人谁报告修改后的偏好列表的方式，从她的角度来看是最佳的效果。我们表明，在这种情况下，匹配的质量显着提高从其他妇女的角度来看。当运行盖尔-沙普利男性求婚算法时，预期的女性排名是$O(\log^4 n)$，几乎可以肯定的是，女性的平均排名是$O(\log^{2+ε}n)$，而不是$O(\frac{n}{\log n})$，在这两种情况下，在一个真实的制度。另一方面，几乎可以肯定的是，与诚实政权下的$O({\log n})$相比，男性的平均等级并不比$Ω\left(\frac{n}{\log^{2+ε}n}\right)$高。所有的结果适用于任何匹配算法，保证一个稳定的匹配，这表明，在现实市场中观察到的核心收敛可能是由参与者的战略行为。
2020-10-09 cs.GT
Asymptotic Degradation of Linear Regression Estimates With Strategic Data Sources
我们考虑从具有公共利益成分的战略数据源进行线性回归的问题，即，当数据由策略代理提供时，这些策略代理寻求最小化单个提供成本以增加其数据的精度，同时受益于模型的整体精度。与以前的作品相比，我们的模型处理的情况下，有不确定性的属性特征的代理人的数据-一个关键方面的问题时，代理人的数量很大。我们提供了一个表征的游戏的均衡，这揭示了一个有趣的连接与最优设计。随后，我们集中在线性回归参数估计的广义最小二乘的协方差的渐近行为的数据源的数量变得很大。我们提供了这个协方差矩阵的上限和下限，我们表明，当代理商的供应成本是超线性的，该模型的协方差收敛到零，但相对于几乎所有的学习问题与外源数据的速度较慢。另一方面，如果代理人的供应成本是线性的，这个协方差无法收敛。这表明，即使是广义最小二乘估计的基本性质的一致性是妥协时，数据源是战略。
2022-03-11 cs.GT
Non-strategic Econometrics (for Initial Play)
代理偏好建模在包括经济学和越来越多的人工智能在内的一系列领域都有应用。这些偏好并不总是已知的，因此可能需要从观察到的行为中进行估计，在这种情况下，需要一个模型来将代理偏好映射到行为，也称为结构估计。传统的模型是基于这样的假设，即代理人是完全理性的：也就是说，他们完全按照自己的利益进行优化和行为。然而，行为博弈论领域的工作表明，人类代理人经常做出不完全理性的决策，该领域已经开发出放松完美理性假设的模型。我们应用模型预测行为对估计偏好，并表明他们优于传统和常用的基准模型从人类受试者收集的数据。事实上，纳什均衡及其放松，量子响应均衡（QRE），可以导致一个不准确的估计代理偏好时，与地面真相。一个关键发现是，对非战略行为（通常被认为是均匀噪音）进行建模对于估计偏好非常重要。为此，我们引入了quantal-linear 4，一个丰富的非战略模型。我们还提出了一个增强流行的量子响应均衡与非战略性的组成部分。我们称之为增强模型QRE+L0，并发现在标准QRE的估计值的改进。QRE+L0允许非战略行为的替代模型，除了量化线性4。
2023-03-01 cs.GT
Outsourcing Adjudication to Strategic Jurors
我们研究一个场景，其中裁定任务（例如，二元纠纷的解决）外包给一组被任命为陪审员的代理人。这种情况在Web 3环境中尤其重要，因为在Web 3环境中，不可能核实裁决结果，而且原则上，指定的代理人对最终裁决漠不关心。我们考虑简单的裁决机制，使用（1）多数投票决定最终的裁决和（2）支付功能，以奖励与多数投票的代理人，并可能惩罚少数。代理人与这样一种机制进行战略互动：他们努力了解如何正确判断争议，并根据这种理解和他们对其余投票的信息投赞成/反对票。最终，他们投票，使他们的效用（即，他们从该机制得到的报酬减去他们的努力所产生的费用）得到最大化。在合理的假设下，代理人的努力是如何与她的理解的争议，我们表明，适当的支付功能可以用来恢复正确的判决结果的概率很高。我们的研究结果来自于对诱导策略博弈的详细分析，并利用了理论论证和模拟实验。
2023-01-22 cs.GT
A Compositional Coalgebraic Semantics of Strategic Games
我们提供了一个战略游戏的合成共代数语义。在我们的框架中，就像在函数式程序设计语言的语义中一样，余代数表示系统的可观察行为，这些行为来自不可观察状态空间上的部件的行为。我们使用共代数来描述和程序阶段游戏，重复和潜在的无限重复的层次或并行游戏的不完美和不完整的信息的基础上确定性，不确定性或概率决策的学习代理在可能的内源性网络。我们的框架是组合的，因为可以组成任意复杂的游戏网络。共代数的方法允许代表自我指涉或自反结构，如制度动态，从网络内的战略网络形成，信念形成，学习代理或其他自我指涉的现象，复杂的社会系统的认知代理。最后，我们的游戏直接以函数式程序设计语言表示可运行的代码，这些代码也可以通过软件工程的复杂验证和逻辑工具进行分析。
2017-12-22 cs.GT
Strategic Negotiations in Endogenous Network Formation
本文研究内生网络形成中任意子集智能体可策略性歪曲信念的问题，提出求解全部纳什均衡的高效算法，并设计新智能体学习策略性信息的算法，在模拟与国际贸易数据上验证了多策略性智能体带来的复杂效用变化。
2024-09-03 cs.GT cs.MA math.OC
Distributed Consensus Resilient to Both Crash Failures and Strategic Manipulations
在本文中，我们研究了同步系统中的分布式共识受到意外的崩溃故障和系统中的理性代理的战略操纵。我们适应抗共谋的纳什均衡模型协议的概念，是弹性的崩溃失败和一组串通代理的战略操纵。对于一个$n$分布式代理的系统，我们设计了一个确定性协议，容忍2合谋代理和一个随机化协议，容忍$n - 1$合谋代理，都容忍任何数量的失败。我们还表明，如果勾结者被允许一个额外的通信轮后，每个同步轮，有没有协议，甚至可以容忍2勾结代理和1崩溃失败。
2012-06-06 cs.DC cs.GT
Investigating the Impact of Subgraph Social Structure Preference on the Strategic Behavior of Networked Mixed-Motive Learning Agents
Purdue University（普渡大学）
本文研究了子图社会结构偏好对网络混合动机学习代理在序列社会困境中的战略决策影响，提出SRIM方法，通过不同子图结构偏好展示代理奖励获取和战略行为的差异，验证了子图结构影响的鲁棒性。
2026-04-04 cs.GT cs.MA
Online Allocation and Learning in the Presence of Strategic Agents
Columbia University（哥伦比亚大学）
我们研究的问题分配$T$顺序到达项目之间的$n$同质代理的约束下，每个代理必须收到一个预先指定的分数的所有项目，与最大化的代理的总价值分配给他们的项目的目标。代理人在每一轮中对物品的估价被假设为i.i.d.。但是它们的分布对于中央规划者是先验未知的。因此，中央计划器需要从观察值中隐式地学习这些分布，以便选择好的分配策略。然而，这里的另一个挑战是，代理商具有战略性，有动机误报其估值，以获得更好的分配。这使得我们的工作既不同于通常假设已知估值分布和/或涉及支付的在线拍卖设计设置，也不同于不考虑战略代理的在线学习设置。为此，我们的主要贡献是一个在线学习为基础的分配机制，是近似贝叶斯激励兼容，当所有的代理是真实的，保证了次线性遗憾的个人代理的效用相比，根据最佳离线分配政策。
2022-09-25 cs.GT cs.LG
ALYMPICS: LLM Agents Meet Game Theory -- Exploring Strategic Decision-Making with AI Agents
Microsoft Research Asia（微软亚洲研究院）
本文提出Alympics仿真框架，利用LLM智能体研究博弈论问题，并通过水资源分配挑战验证其在战略决策分析中的有效性。
2024-01-16 cs.AI cs.CL cs.GT
A Note on the Strategic Confinement Problem
University of Oxford（牛津大学）
本文引入战略约束问题，指出当通信方为具有共享协调资源的战略智能体时，即使信道容量极小，也可能导致机密信息的高影响泄露，并论证学习型战略智能体系统自然实例化该问题。
2026-06-07 cs.AI cs.GT
Who Leads and Who Follows in Strategic Classification?
University of California, Berkeley（加利福尼亚大学伯克利分校）
随着预测模型被部署到现实世界中，它们必须越来越多地应对战略行为。越来越多的关于战略分类的工作将这个问题视为Stackelberg游戏：决策者通过部署模型来“领导”游戏，而战略代理人则通过对部署模型的最佳反应来“跟随”。重要的是，在这种框架中，学习的负担只放在决策者身上，而代理人的最佳反应被隐含地视为即时的。在这项工作中，我们认为，发挥战略分类的顺序是从根本上决定的相对频率，决策者和代理人适应对方的行动。特别是，通过推广的标准模型，让双方球员学习随着时间的推移，我们表明，决策者，使更新速度比代理可以扭转播放顺序，这意味着代理领导和决策者如下。我们观察到，在标准的学习环境中，这样的角色转换可能是可取的决策者和战略代理。最后，我们表明，一个决策者的自由选择他们的更新频率可以诱导学习动态收敛到Stackelberg均衡与任何顺序的发挥。
2022-01-29 cs.GT cs.LG
Intermittent Strategic Cooperation of Two Selfish Agents on Graphs
Bar-Ilan University（巴伊兰大学）
研究两个自私智能体在时间与空间约束下的战略合作问题，通过IC2PP模型刻画纯纳什均衡结构，证明均衡存在性并提出多项式时间枚举算法。
2026-06-17 cs.GT cs.MA cs.RO
STRIDE: A Tool-Assisted LLM Agent Framework for Strategic and Interactive Decision-Making
Yale University（耶鲁大学）；The Chinese University of Hong Kong（香港中文大学）；University of Science and Technology of China（中国科学技术大学）；Sabanci University（萨班哲大学）
本文提出STRIDE框架，通过记忆和专用工具增强LLM在战略多智能体决策中的能力，在双边谈判和机制设计等环境中显著提升性能。
2024-05-28 cs.CL cs.GT
Strategic Interactions in Multi-Level Stackelberg Games with Non-Follower Agents and Heterogeneous Leaders
Aston University（阿斯顿大学）
本文提出一个多层Stackelberg框架，考虑非跟随者和异质领导者，以更准确地建模拥堵耦合市场中的战略互动。
2026-03-04 cs.GT cs.MA
Interdependent Security with Strategic Agents and Cascades of Infection
我们调查级联的网络组成的战略代理相互依赖的安全。我们假设战略代理人可以在以下三种选择中做出选择：i）投资于保护自己，ii）购买保险以转移（一些）风险，iii）不采取任何行动。使用人口博弈模型，我们研究了各种系统参数，如节点度，感染传播速度，感染的节点传播感染到邻居的概率，影响节点的选择在纳什均衡和由此产生的无政府代价/稳定。此外，我们研究了一个单一的感染节点可以传播感染到整个网络的一个重要部分，称为级联概率的概率，行为相对于系统参数。特别是，我们证明，至少对于某些参数制度，级联概率增加的平均度的节点。
2015-02-26 cs.GT cs.SI physics.soc-ph
Strategic disclosure of opinions on a social network
IRIT（图卢兹计算机研究所）；CNRS（法国国家科学研究中心）；University of Toulouse（图卢兹大学）
我们研究的战略方面的社会影响力的社会代理人的信任网络连接，引入一类新的游戏称为游戏的影响力。影响力博弈是一个无限重复的博弈，在每个交互阶段，代理人可以让她的意见可见（公开）或不可见（私人），以影响其他代理人的意见。影响过程是由信任网络介导的，因为我们假设给定代理的意见只受她认为值得信赖的那些代理的意见的影响（即，信任网络中直接链接到她的代理）。每个代理被赋予一个目标，表示在一个合适的时间语言的灵感来自线性时序逻辑（LTL）。我们表明，游戏的影响力提供了一个简单的抽象探索的信任网络结构对代理人的行为的影响，考虑解决方案的概念，从博弈论，如纳什均衡，弱优势和获胜策略。
2016-02-05 cs.AI cs.GT
Treatment Allocation with Strategic Agents
Stanford University（斯坦福大学）
研究处理个性化下的策略性行为，证明最优规则需随机化，并提出基于贝叶斯优化的序贯实验以收敛至最优处理规则。
2023-04-04 cs.GT cs.LG econ.EM
Strategic Apple Tasting
Carnegie Mellon University（卡内基梅隆大学）；MIT（麻省理工学院）
本文将策略性智能体与苹果品尝反馈结合为在线学习问题，提出算法在随机智能体序列下实现O(√T)策略遗憾，并扩展至对抗序列和老虎机反馈设定。
2023-10-28 cs.GT cs.LG
On the Impact of Bounded Rationality in Strategic Data Gathering
研究从具有异构目标与信息的策略性及有限理性智能体收集调查数据的估计问题，通过将三类不同认知层级响应者场景建模为2维源策略分类并提供设计算法与数值结果。
2024-09-20 cs.GT cs.SY eess.SY
Stochastic Epidemic Networks with Strategic Link Formation
了解网络中的级联故障或流行病对于为许多关键系统和基础设施（例如生物，社会和网络网络）开发有效的防御机制至关重要。大多数现有的作品对待网络拓扑结构是外生的，并研究在什么条件下的流行病爆发和/或消失。然而，如果代理人能够根据自己的自身利益战略性地决定他们的连接，网络反而会内生地形成和发展。在这样的系统中，流行病，代理人的战略决策和网络结构变得复杂耦合和共同进化。因此，现有的知识可能不再适用。建立了一个连续时间的强混合的易感-感染-易感传染病模型，研究了由策略代理人组成的随机传染病网络，策略代理人在仔细评估其当前可获得的收益和通过形成链接而导致的潜在未来成本的基础上，决定形成链接的数量.一个博弈理论框架来分析这样的网络，并获得了一些重要的见解。一个关键的结果是，如果在外生给定的网络中有效传播率足够低，那么流行病最终会消失，而当代理人具有策略性时，无论有效传播率如何，它都不会消失。该属性导致可实现的系统效率降低和显著不同的最佳保护机制。如果不了解代理的策略行为，可能会产生重大的安全成本。
2016-07-19 cs.GT cs.SI
Protecting shared information in networks: a network security game with strategic attacks
泄露机密信息的数字安全漏洞不仅影响其系统被渗透的代理，而且对与渗透系统有社会联系的其他代理也是有害的。虽然有人认为，这些外部性造成了对安全投资不足的激励，但这一假设受到了战略对手攻击最不受保护的代理人的可能性的挑战。在本文中，我们研究了一个新的安全博弈模型，其中代理人共享令牌的敏感信息的接触网络。代理有机会投资于安全性，以防止可能是战略性或随机目标的攻击。我们发现，在随机攻击的存在下，投资不足总是占上风的纳什均衡相比，社会最优。相反，当攻击是战略性的时，投资不足或过度投资都是可能的，这取决于网络拓扑结构和信息传播过程的特征。实际上，当代理之间的依赖性较低时（这可能是因为信息网络连接稀疏，或者因为信息令牌共享的概率很小），代理在安全性上的投资比社会最优的要多。当信息共享更有可能时（因此，当攻击带来的风险更高时），这些过度投资就会转移到投资不足。
2019-06-22 cs.GT cs.SI
Strategic Disclosure of Action Space in Principal-Agent Contracts
本研究探讨委托代理合同中代理人策略性披露行动空间的影响，证明代理人可获至少第一最佳剩余的1/e效用，并给出收入与福利保证，揭示披露策略对剩余分配的关键作用。
2026-10-01 cs.GT econ.TH
Learning to Lead: Incentivizing Strategic Agents in the Dark
Cornell University（康奈尔大学）；Yale University（耶鲁大学）
针对私有类型、隐藏行动且非短视智能体的在线委托—代理问题，提出延迟激励、奖励角度估计与悲观—乐观 LinUCB 结合的算法，实现近最优 $\tilde{O}(\sqrt{T})$ 策略遗憾。
2025-06-10 cs.GT cs.LG stat.ML
Schelling Segregation with Strategic Agents
谢林的种族隔离模型是社会学中一个具有里程碑意义的模型。它显示了一种反直觉的现象，即即使所有相关的个人都是宽容的，不同群体的个人之间也会出现居住隔离。虽然该模型被广泛研究，没有纯博弈论的版本，理性的代理人战略选择他们的位置存在。我们通过引入和分析谢林隔离的广义博弈模型来缩小这一差距，其中代理人也可以有个人的位置偏好。对于我们的模型，我们调查的收敛行为和效率的平衡。特别是，我们证明了保证收敛到一个平衡的版本，这是最接近谢林的原始模型。此外，我们还对无政府状态的无政府代价提供了严格的界限。
2018-10-19 cs.GT cs.SI physics.soc-ph
Approximating Human Strategic Reasoning with LLM-Enhanced Recursive Reasoners Leveraging Multi-agent Hypergames
Royal Holloway University of London（伦敦皇家霍洛威大学）
本文提出了一种基于LLM增强的递归推理器框架，通过多智能体超游戏模型评估LLM的递归推理能力，并展示了其在近似人类行为和最优解达成方面的优势。
2025-02-11 cs.AI cs.GT
Optimal Questionnaires for Screening of Strategic Agents
在COVID- $19$大流行期间，机场和训练站的卫生当局试图筛查和识别可能暴露于病毒的旅客。然而，许多人避免接受测试，因此可能会误报他们的旅行史。这对卫生当局来说是一个挑战，尽管存在这种战略性误报，但卫生当局仍希望确定真正的易感病例。我们调查的问题，询问旅客进行分类，以进一步测试时，旅客是战略性的或不愿意透露他们的旅行历史。我们表明，卫生当局能够恢复多少旅行历史是有根本限制的。可以通过任何探测机制正确分类。
2020-10-28 cs.GT cs.IR math.OC
Bayesian Strategic Classification
Stanford（斯坦福大学）；Toyota Technological Institute at Chicago (TTIC)（芝加哥丰田理工学院）；Georgia Institute of Technology（佐治亚理工学院）
本文研究贝叶斯策略分类，在智能体仅对分类器有分布先验的假设下，探讨学习者如何通过部分信息释放最大化准确率，并给出求解智能体最佳响应的算法及信息释放优化的正负面结果。
2024-02-13 cs.GT cs.LG
The Double-Edged Sword of Behavioral Responses in Strategic Classification: Theory and User Studies
UC San Diego（加州大学圣地亚哥分校）
本文构建纳入行为偏差的策略分类模型，分析特征权重误感知导致的投资差异及对企业的双向影响，并通过用户研究验证偏差存在。
2024-10-25 cs.GT cs.HC cs.LG
Incentive Design in a Distributed Problem with Strategic Agents
在本文中，我们考虑了一个一般的分布式系统与多个代理谁选择，然后在系统中实现的行动。该系统有一个具有集中目标的操作员。另一方面，代理人是自我利益和战略的意义上，每个代理人优化自己的个人目标。运营商旨在通过为代理人设计激励计划来缓解这种不一致。这个问题是困难的，由于成本函数的代理耦合，运营商的目标不是社会福利，运营商没有直接控制的行动正在实施的代理。这一问题在许多领域都有研究，特别是在机制设计和成本分摊方面。然而，机制设计通常假设操作员知道代理的成本函数和操作员执行的动作。另一方面，成本分配传统上假设代理人不预期他们的行为对他们获得的激励的影响。我们删除这些假设，并提出了一个激励规则，这种设置之间的差距，弥合机制设计和经典的成本分配。我们分析了所提出的设计是否满足各种理想的属性，如社会最优性，预算平衡，参与约束，等等，我们还分析了这些属性可以满足，如果成本函数的代理是私人的和代理是预期的假设放宽。
2020-01-14 cs.GT stat.AP
HLSMAC: A New StarCraft Multi-Agent Challenge for High-Level Strategic Decision-Making
本文提出了HLSMAC基准，基于《三十六计》设计12个星际争霸2场景，以评估多智能体强化学习的高层战略决策能力，并引入超越胜率的新指标，验证了其作为稳健测试平台的有效性。
2025-09-16 cs.AI cs.CV cs.GT
A Sheaf Framework for Strategic Multi-Agent Systems: From Consensus to Nash Equilibria
本文提出一个统一的范畴框架，通过引入博弈层概念，将事件演算、SCEL类集成形成和博弈论奖励结构整合到时空历史的格罗滕迪克拓扑中，并证明纳什均衡对应于派生最佳响应对应层的全局截面，而同调障碍分类策略一致性的失败。
2026-06-01 cs.DC cs.GT cs.MA
Mistake, Manipulation and Margin Guarantees in Online Strategic Classification
Tepper School of Business, Carnegie Mellon University（卡内基梅隆大学泰珀商学院）；Discipline of Business Analytics, The University of Sydney（悉尼大学商业分析学科）
研究在线策略分类问题，提出两种新算法以在智能体策略操纵下恢复最大间隔分类器，并证明其具有收敛性、有限次错误和有限次操纵保证，在真实与合成数据上表现优于以往算法。
2024-03-27 cs.GT cs.LG math.OC
Strategic Linear Contextual Bandits
The Alan Turing Institute（艾伦·图灵研究所）；Apple ML Research（苹果机器学习研究部）；University of Neuchatel（纳沙泰尔大学）；University of Chicago（芝加哥大学）
本文研究策略性线性上下文赌博机问题，提出乐观冷酷触发机制（OptGTM）激励智能体如实报告上下文并最小化遗憾，揭示了机制设计与遗憾最小化间的权衡。
2024-09-26 cs.GT cs.LG
Using Multi-Agent Reinforcement Learning in Auction Simulations
博弈论是科学家们发展起来的一种理论，它研究的是被认为是完全理性的参与者之间的战略互动。这些策略互动可能出现在拍卖、商业谈判、国际象棋比赛，甚至是不同代理人之间的政治冲突中。在这项研究中，策略（理性）代理创建的强化学习算法被认为是投标人代理在各种类型的拍卖机制，如英国拍卖，密封投标拍卖，和Vickrey拍卖设计。接下来，将由代理人确定的均衡点与这些环境的纳什均衡点的结果进行比较。投标策略的代理人进行了分析，在个人的合理性，真实性（策略证明），和计算效率。结果表明，使用多智能体强化学习策略提高了拍卖模拟的结果。
2020-04-06 cs.GT cs.MA
The Disparate Effects of Partial Information in Bayesian Strategic Learning
Georgia Institute of Technology（佐治亚理工学院）；Harvard University（哈佛大学）
研究部分信息下评分规则对策略学习公平性的影响，发现朴素智能体的效用差异随噪声无界增长且成本较低群体受损，而贝叶斯智能体差异保持有界，通常在透明度中间水平最小化。
2025-05-31 cs.AI cs.GT
Gradient Manipulation in Distributed Stochastic Gradient Descent with Strategic Agents: Truthful Incentives with Convergence Guarantees
Department of Electrical and Computer Engineering, Clemson University（克莱姆森大学电气与计算机工程系）
本文提出一种完全分布式支付机制，首次在分布式随机梯度下降中保证诚实行为和准确收敛，克服了现有诚实机制的两大局限：依赖集中服务器和牺牲收敛精度。
2026-03-30 cs.GT cs.LG
Strategic Opinion Manipulation in Multiplex Networks
University of California, San Diego（加州大学圣地亚哥分校）
本文提出多路网络上的策略性意见操纵模型，证明博弈存在闭式纳什均衡，揭示合并层对操纵的双刃剑效应，并刻画平台最优注意力权重选择。
2026-09-22 cs.GT cs.SI
Strategic Classification from Revealed Preferences
我们研究了一个在线线性分类问题，其中的数据是由战略代理谁操纵他们的功能，努力改变分类结果。在回合中，学习者部署一个分类器，一个对立选择的代理到达，可能操纵她的功能，以最佳方式响应学习者。学习者不知道代理的效用函数或“真实”特征，这些特征在代理之间可能会有很大的差异。相反，学习者只能观察他们的“显示偏好”-即他们提供的实际操作特征向量。代理成本函数的一个广泛的家庭，我们给出了一个计算效率高的学习算法，能够获得减少“Stackelberg遗憾”-一种形式的政策遗憾，保证学习者获得的损失几乎一样小的最佳分类器在事后，甚至允许的事实，代理将最好的响应不同的最佳分类器。
2017-10-22 cs.DS cs.GT cs.LG
A Dynamic Population Model of Strategic Interaction and Migration under Epidemic Risk
在本文中，我们展示了一个动态的人口游戏可以模拟的战略互动和迁移的决定，由一个大的人口代理，以应对流行病的流行。具体地说，我们考虑了一个修改后的多区无症状感染恢复（SAIR）流行病模型。代理选择是否激活（即，与其他人相互作用），与多少其他代理人相互作用，以及在与流行病演变相当的时间尺度内移动到哪个区域。我们定义和分析了这个博弈中的均衡概念，并在一系列数值案例研究中研究了流行病传播的瞬态行为，提供了对代理人未来意识程度，战略迁移决策以及不同级别的封锁和其他干预措施的影响的见解。我们的主要发现之一是，代理人的战略行为起着重要的作用，在流行病的进展，可以利用，以设计合适的流行病控制措施。
2021-09-07 cs.GT cs.SY eess.SY
Strategic and Fair Aggregator Interactions in Energy Markets: Mutli-agent Dynamics and Quasiconcave Games
本文将公平能源资源分配问题扩展至多智能体环境，通过证明聚合商策略优化构成拟凹博弈确保 Nash 均衡存在，并设计仿真展示其如何稳定市场、保障公平与优化用户剩余，为理解聚合商交互提供稳健框架。
2024-10-15 cs.GT cs.SY eess.SY
Distributed Stochastic Gradient Descent with Cost-Sensitive and Strategic Agents
Arizona State University（亚利桑那州立大学）
本研究认为，联邦学习设置成本敏感和战略代理训练的学习模型与服务器。在每一轮中，每个智能体采样一小批训练数据并发送其梯度更新。作为他的小批量大小选择的递增函数，代理招致与数据汇集、梯度计算和通信相关联的成本。代理商可以自由选择他们的小批量，甚至可以选择退出培训。为了降低成本，代理可能会减少他的小批量大小，这也可能导致梯度更新的噪声水平增加。服务器可以提供奖励来补偿代理的成本并激励他们的参与，但她缺乏验证代理的真实小批量大小的能力。为了解决这一挑战，建议的奖励机制评估每个代理的梯度的质量，根据其距离的参考，这是从其他代理提供的梯度构造。结果表明，建议的奖励机制有一个合作的纳什均衡，其中代理商确定的小批量大小的选择，根据服务器的请求。
2022-12-05 cs.AI cs.GT cs.LG
Strategic Collusion of LLM Agents: Market Division in Multi-Commodity Competitions
California Institute of Technology（加州理工学院）
本研究探讨古诺竞争框架下大语言模型智能体在多商品市场的策略行为，发现其无需明确指令即可通过动态调整策略垄断特定商品实现利润最大化，为企业AI应用和市场监管提供参考，也为相关后续研究奠定基础。
2025-05-16 cs.AI cs.CL cs.GT
Action Recommendations for Sequentially Rational Strategic Agents
University of Southern California（南加州大学）
本文研究如何通过动作推荐激励战略代理采用服从策略，提出基于逆向归纳法求解线性规划的算法，以实现设计者目标与代理序列理性之间的平衡。
2026-05-10 cs.GT cs.SY eess.SY
Characterizing Strategic Cascades on Networks
疾病的传播、信息和谣言的传播、新产品的采用以及许多其他网络现象都可以被有效地建模为级联过程，其中节点选择的行为会影响网络图中邻居的后续行为。目前关于级联的文献倾向于假设节点根据其他节点已经采取的选择状态进行近视性选择。我们研究了战略选择的可能性，代表节点的代理人预测尚未决定的其他人的选择，并考虑到他们自己对这些选择的影响。我们的研究采用了Chierichetti等人的框架。[2012]，他们（在近视节点行为的假设下）研究了节点决策的调度，以促进调度程序首选的产品采用级联。我们表明，当节点的行为策略，结果可能是非常不同的。我们展示的情况下，在战略设置100%的代理采用，但在近视设置只有一个任意小的100%。相反，我们提出的情况下，在战略设置0%的代理人采用，但在近视设置（100- 100）%做，任何常数100> 0。此外，我们证明了一些性质的级联过程的战略代理，在一般情况下，并为特定类别的图形。
2014-04-17 cs.GT cs.SI physics.soc-ph
Refining and Delegating Strategic Ability in ATL
我们建议扩展交替时间时序逻辑（ATL）的运营商<i refines-to G>F表示，代理i可以分配其权力的一组子代理G的方式，满足ATL条件f的战略能力，他们可能形成的联盟，可能与其他代理。证明了以该算子为主要连接符的子公式具有如下形式的公式的模型检验的可判定性<i_1 refines-to G_1>。<i_m refines-to G_m>f，在f中不再出现该运算符。
2014-04-03 cs.GT cs.LO cs.MA
Factorised Active Inference for Strategic Multi-Agent Interactions
Centre for Complex Systems, The University of Sydney（复杂系统中心，悉尼大学）
该研究提出因子化主动推理框架，通过让智能体维护对其他智能体内部状态的信念实现策略规划，结合博弈论研究非平稳环境下的多智能体交互，揭示了集合层面期望自由能的动力学特性与群体行为规律。
2025-05-20 cs.GT cs.LG cs.MA
