Tight Inefficiency Bounds for Perception-Parameterized Affine Congestion Games
拥塞对策是Rosenthal于1973年提出的一类重要的非合作对策。近年来,这些游戏的几个扩展被提出来纳入标准模型没有捕获的方面。这样的扩展的例子包括风险敏感的球员,利他的球员行为的建模和对资源的征税。这些扩展进行了深入的研究,目的是获得一个准确的理解,这些游戏的均衡的效率低下。在本文中,我们引入了一个新的模型,捕捉这些扩展(和其他)在一个统一的方式拥塞游戏。这里的关键思想是参数化每个参与者的感知成本和系统设计者的社会成本函数。直观地说,每个参与者感知到其他参与者的负荷程度为ρ,而系统设计者估计每个参与者感知到所有其他参与者的负荷程度为σ。通过相应地选择参数ρ和σ,上述扩展归结为我们模型的特殊情况。在大多数相关的作品中,我们集中在这里的仿射延迟函数的拥塞游戏。尽管事实上,我们处理更一般的一类拥塞游戏,我们设法得到严格的界限上的无政府代价价格和价格的稳定性的参数范围很大。我们的边界提供了一个完整的图片,这些感知参数化的拥塞游戏的均衡的效率低下。结果,我们得到了上述扩张的无政府无政府代价和稳定代价的紧界。我们的研究结果还揭示了应该如何“设计”的成本函数的球员,以降低价格的anar-chy。
2017-01-26 cs.GT
A game-theoretic approach to indistinguishability of winning objectives as user privacy
本文提出基于图博弈论的新框架研究用户软件服务隐私,引入O-不可区分策略和目标不可区分均衡概念,并证明在Muller目标多人博弈中二者的存在性可判定。
2023-07-01 cs.GT
Privacy Games: Optimal User-Centric Data Obfuscation
在本文中,我们设计了以用户为中心的混淆机制,施加最小的效用损失,以保证用户的隐私。我们优化效用的联合保证差分隐私(不可否认性)和失真隐私(推理错误)。这种双重保护屏蔽通过混淆机制和后验推理限制了信息泄漏。我们表明,通过联合差分失真机制对最优攻击实现的隐私是一样大的最大隐私,可以通过这些机制分别实现。它们的效用成本也不大于差分或失真机制所施加的成本。我们将优化问题建模为混淆机制的设计者与潜在对手之间的领导者-追随者博弈,并设计自适应机制来预测和保护最优推理算法。因此,混淆机制对于任何推理算法都是最佳的。
2015-05-27 cs.CR cs.GT
Quadratic Gaussian Privacy Games
设计了一个博弈论模型,用于分析隐私对代理之间的策略通信的影响。在该模型中,发送方希望向接收方提供状态的准确测量,同时还保护其私有信息(其与状态相关)免受可能窃听其与接收方的通信的恶意代理的攻击。构造了一类非平凡平衡点,研究了其性质。
2015-09-18 cs.GT math.OC
A Game-Theoretic Framework for Privacy-Aware Client Sampling in Federated Learning
针对联邦学习中客户端采样异质性与隐私需求动态变化问题,提出基于两阶段Stackelberg博弈的隐私感知采样框架FedPCS,结合平均场估计器推导均衡策略,有效降低无政府状态价格并提升模型性能。
2024-12-07 cs.GT
Compression-based Privacy Preservation for Distributed Nash Equilibrium Seeking in Aggregative Games
本文针对聚合博弈中分布式纳什均衡求解的通信负担与隐私泄露问题,提出一种基于随机压缩的算法,在节省通信资源的同时通过压缩误差实现差分隐私,并证明其收敛精度,仿真验证了有效性。
2024-05-06 cs.GT cs.SY eess.SY
Mobile Target Search with Imperfect Perception: A Partially Observable Stochastic Game Theoretical Approach
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海自主智能无人系统科学中心);Department of Control Science and Engineering, Tongji University(同济大学控制科学与工程系)
针对传感器限制、恶意干扰或通信噪声导致的不完美感知,采用部分可观测随机博弈(POSG)框架建模搜索者与目标间的对抗互动,提出可检测性概念和基于随机递归分析的充分判据,并开发服务器辅助分布式算法。
2026-06-19 cs.GT cs.RO
Privacy Data Pricing: A Stackelberg Game Approach
本文提出一种Stackelberg博弈框架,用于在差分隐私约束下实现隐私与效用的平衡,通过定价函数和查询精度的博弈,提供激励相容的数据定价方法。
2025-12-20 cs.GT stat.AP
Privacy Can Arise Endogenously in an Economic System with Learning Agents
本文研究买卖双方价格歧视博弈中隐私的内生形成,分析买方与卖方诱导隐私,并证明在无承诺的重复学习环境中,声誉机制可促使卖方诱导隐私出现。
2024-04-16 cs.GT
SoK: Let the Privacy Games Begin! A Unified Treatment of Data Inference Privacy in Machine Learning
Microsoft(微软);University of Virginia(弗吉尼亚大学)
本文提出基于博弈的统一框架,梳理机器学习中成员推理、重构攻击等数据推理隐私定义,并形式化揭示其已知与未知关系。
2023-04-20 cs.CR cs.GT cs.LG
Mechanism Design in Large Games: Incentives and Privacy
我们研究了在不完全信息的情况下实现完全信息博弈均衡的问题,并使用“推荐机制”来解决这个问题。“推荐机制是一种没有强制执行结果或强迫参与的权力的机制,它只有权在自愿参与的基础上建议结果。我们发现,尽管有这些限制,推荐机制可以实现均衡的完全信息游戏的设置不完全信息的条件下,游戏是大的-即有大量的球员,和任何球员的行动影响任何其他的收益最多一个小数额。我们的结果来自于差分隐私的一个新的应用。我们表明,任何算法,计算一个完整的信息博弈的相关均衡,同时满足一个变种的差分隐私-我们称之为联合差分隐私-可以用作推荐机制,同时满足我们所需的激励性能。我们的主要技术成果是一个算法,用于计算一个大型游戏的相关均衡,同时满足联合差分隐私。虽然我们的推荐机制的设计,以满足博弈论的属性,我们的解决方案最终满足一个强大的隐私属性以及。没有一组玩家可以从机制的建议中了解到组外任何玩家的类型,即使这些玩家以任意的方式勾结。因此,我们的算法能够实现完全信息博弈的均衡,而不透露有关实现类型的信息。
2015-12-10 cs.CR cs.DS cs.GT
Differential Privacy for Stackelberg Games
本文提出了一种差分隐私(DP)机制,以保护信息交换过程中的协调顺序和相互依赖的市场。这种协调代表了一个经典的Stackelberg游戏,并依赖于系统代理之间的敏感信息的交换。本文的动机是观察到传统DP机制引入的扰动从根本上改变了基本的最优化问题,甚至导致不可满足的情况。为了弥补这种局限性,本文介绍了隐私保护Stackelberg机制(PPSM),一个框架,强制执行的概念的可行性和保真度的隐私保护信息的原始问题的目标。PPSM符合差分隐私的概念,并确保隐私保护协调机制的结果对每个代理都接近最优。基于真实案例研究的几个天然气和电力市场基准的实验结果证明了该方法的有效性。
2020-02-01 cs.CR cs.GT math.OC
A Game of Drones: Cyber-Physical Security of Time-Critical UAV Applications with Cumulative Prospect Theory Perceptions and Valuations
本文介绍了一种新的数学框架,用于建模和分析时间关键型无人机应用的网络物理安全。一个通用的无人机安全网络拦截游戏制定模型之间的互动无人机操作员和拦截器,其中每一个可以是良性的或恶意的。在这个游戏中,拦截者通过拦截无人机的潜在路径来选择目标无人机系统的最佳位置。同时,无人机操作员通过寻找最佳路径选择策略来做出响应,该策略使其无人机能够躲避攻击并最小化其任务完成时间。从累积前景理论(PT)的新概念被纳入到游戏中,以捕捉操作员和拦截器的任务完成时间和无人机面临的风险水平的看法的主观评价。均衡的游戏,有和没有PT,然后分析的特点和研究。新的算法,然后提出了PT和经典博弈论下达到游戏的均衡。仿真结果显示了合理的和PT的情况下的平衡的属性。结果表明,操纵者和拦截者的有限理性更可能对无人机操纵者不利。
2020-02-07 cs.GT cs.IT math.IT
Partially Observable Stochastic Games with Neural Perception Mechanisms
University of Oxford(牛津大学);University of Glasgow(格拉斯哥大学)
本文提出神经符号部分可观测随机博弈模型及单边NS-HSVI求解方法,利用神经网络原像分析和粒子信念表示,验证了其在行人-车辆与追逃场景中的实用性。
2024-06-30 cs.GT cs.LG
Privacy-aware Data Trading
数据交易中个人数据泄露的威胁日益严重,迫切需要制定保护个人隐私的对策。最先进的工作要么赋予数据收集者数据隐私的责任,要么只报告数据的隐私保护版本。前一种方法的基本假设,即数据收集器是值得信赖的,在现实中并不总是正确的,而后一种方法降低了数据的价值。本文从根源上研究了隐私泄露问题。具体而言,我们采取了一个新的角度来扭转数据提供者的劣势地位,使她主导与收集者的游戏,以解决数据交易中的困境。为了实现这一目标,我们提出了噪声序列零决定因素(NSZD)的策略,通过剪裁经典的零决定因素的策略,最初设计的错误的移动游戏,以适应噪声序列游戏。NSZD策略可以授权数据提供者单方面设定数据收集者的预期收益,或者在她和数据收集者的预期收益之间强制执行正相关关系。这两种策略都可以刺激理性的数据收集者诚实行事,促进健康的数据交易市场。数值模拟被用来检查关键参数的影响和可行的区域,数据提供者可以是NSZD的球员。最后,我们证明了数据收集者不能使用NSZD来进一步主导数据市场,以恶化隐私泄露。
2020-03-31 cs.GT
Price of Privacy in the Keynesian Beauty Contest
凯恩斯选美比赛是一个经典的游戏,其中战略代理人寻求准确猜测世界的真实状态以及所有代理人的平均行动。我们研究了这个游戏的增强,其中代理人担心透露他们的私人信息,并根据观察者可以推断出他们的私人信号的程度而遭受损失。我们解决了这个增广的游戏的均衡和量化的社会福利的损失,作为代理人采取行动,以掩盖他们的私人信息,我们称之为“价格的隐私”。我们分析了两个版本的这个价格:一个从代理人的角度测量他们的协调能力下降,由于采取行动,以掩盖他们的信息,另一个从聚合器的角度来看,其统计估计的真实状态的世界是较低的精度,由于代理人添加随机噪声到他们的行动。我们表明,这些数量是高的代理人非常关心保护他们的个人信息和低时,代理人收到的信号质量差。
2019-05-02 cs.GT
Private and Truthful Aggregative Game for Large-Scale Spectrum Sharing
随着信息技术的飞速发展,无线网络的规模越来越大,使得频谱资源比以往任何时候都更加宝贵。为了提高频谱利用效率,博弈论一直被应用于无线网络中频谱共享的研究。然而,现有研究中对无线网络规模的研究相对较少。在本文中,我们介绍了一种新的游戏和模型的频谱共享问题作为一个大规模的,异构的,动态的网络聚合游戏。频谱的大量使用也导致了频谱用户行为的隐私泄露,这就要求在无线网络中保证隐私和真实性。在一个大的分散场景中,每个用户对其他用户的决策没有先验知识,这形成了一个不完全信息博弈。“弱中介”,例如,基站或许可频谱调节器的引入,并把这个游戏变成一个完整的,这是必不可少的,以达到一个纳什均衡(NE)。通过利用以往的信道接入经验,提出了一种在线学习算法,提高了每个用户的效用,实现了随时间的NE。我们的学习算法还为每个用户提供了无遗憾保证。我们的机制承认一个近似的事后NE。我们还证明了它满足联合差分隐私和激励兼容。评估了近似NE的效率,并公开了创新的缩放定律结果。最后,我们提供模拟结果来验证我们的分析。
2016-11-04 cs.GT
Decentralized and Privacy-Preserving Learning of Approximate Stackelberg Solutions in Energy Trading Games with Demand Response Aggregators
Georgia Institute of Technology(佐治亚理工学院)
针对DR聚合商与产消者的双向能源交易,提出去中心化隐私保护的Stackelberg博弈框架及可扩展在线学习算法,并通过真实市场与校园数据验证其有效性。
2023-12-21 cs.GT cs.LG
Ensure Differential Privacy and Convergence Accuracy in Consensus Tracking and Aggregative Games with Coupling Constraints
针对带耦合约束的分布式聚合博弈,协同设计GNE求解与噪声注入机制,提出首个同时保证收敛性和严格ε-差分隐私的算法,并辅以新共识跟踪算法及一般收敛性理论,数值实验验证有效性。
2024-07-16 cs.CR cs.GT math.OC
Privacy-Friendly Peer-to-Peer Energy Trading: A Game Theoretical Approach
The University of Manchester(曼彻斯特大学);KU Leuven(鲁汶大学);The University of British Columbia(不列颠哥伦比亚大学)
在本文中,我们提出了一个分散的,隐私友好的能源交易平台(PFET)的基础上博弈论的方法-特别是Stackelberg竞争。与现有的交易方案不同,PFET提供了一个竞争性市场,其中价格和需求是基于竞争确定的,并且计算以分散的方式进行,不依赖于可信的第三方。它采用同态加密密码体制对买卖双方的敏感信息进行加密,如卖方$'$价格和买方$'$需求。买家使用加密数据计算特定卖家的总需求,敏感的买家个人资料数据对卖家隐藏。因此,卖家和买家的隐私都得到了保护。通过隐私分析和性能评估,我们表明,PFET保护用户$'$隐私的有效方式。
2022-05-29 cs.AI cs.CR cs.GT
Game Theory Based Privacy Preserving Approach for Collaborative Deep Learning in IoT
物联网(IoT)的指数级增长已成为创造创新智能设备和互联领域(包括灵巧家庭、医疗保健、交通和制造业)的超越力量。随着数十亿物联网设备的出现,大量数据不断生成,传输和存储在物联网架构的各个点。深度学习广泛应用于物联网应用中,从物联网数据中提取有用的见解。然而,物联网用户有安全和隐私问题,不愿意与第三方应用程序或利益相关者共享他们的个人数据。为了解决用户隐私问题,协作深度学习(CDL)已被广泛应用于数据驱动的应用程序中,使多个物联网设备能够在边缘网关上本地训练其模型。在本章中,我们首先讨论不同类型的深度学习方法,以及如何在物联网领域中使用这些方法。我们提出了一种用于物联网设备的隐私保护协作深度学习方法,该方法可以从系统中的其他设备中获益。使用博弈论模型从移动边缘设备的行为角度分析了这种学习方法。分析了N人静态博弈模型的纳什均衡。我们进一步提出了一种新的边缘物联网设备之间的公平协作策略,使用基于集群的方法来解决CDL游戏,该策略强制移动边缘设备进行协作。我们还提出了在现实世界的灵巧家庭部署的实施细节和评估分析。
2021-04-03 cs.CR cs.GT
Differentially Private Games via Payoff Perturbation
在本文中,我们研究了网络游戏中的球员参与信息聚合过程受差分隐私要求球员的支付功能。我们提出了一个拉普拉斯线性二次函数扰动机制,该机制用线性二次函数扰动参与者的支付函数,其系数由截断拉普拉斯分布产生。对于单调的游戏,我们表明,LLQFP机制保持的扰动支付函数和产生一个扰动NE的距离从原来的NE是有界的和可调的拉普拉斯参数调整的PURPOSE属性。我们专注于线性二次游戏,这是一个基本类型的网络游戏,玩家的收益是线性二次函数,并推导出明确的条件如何LLQFP机制,确保差分隐私与给定的隐私预算。最后,数值例子验证了LLQFP机制的优点。
2023-03-14 cs.CR cs.GT
Privacy Guarantee for Nash Equilibrium Computation of Aggregative Games Based on Pointwise Maximal Leakage
KTH Royal Institute of Technology(皇家理工学院);Southeast University(东南大学)
针对差分隐私在相关数据集上隐私度量不足的问题,提出逐点最大泄露框架,利用先验知识给出纳什均衡计算中隐私泄露的精确上界,实验表明其优于差分隐私。
2026-06-09 cs.GT cs.IT math.IT
Location Privacy Protection Game against Adversary through Multi-user Cooperative Obfuscation
研究多用户在LBS中如何利用相互服务灵活性协同对抗最优推断攻击,提出极大极小博弈、线性规划及常数复杂度二元混淆方案,并给出最优查询顺序指导。
2023-02-17 cs.CR cs.GT
HSVI-based Online Minimax Strategies for Partially Observable Stochastic Games with Neural Perception Mechanisms
Department of Computer Science, University of Oxford(牛津大学计算机科学系);School of Computing Science, University of Glasgow(格拉斯哥大学计算科学学院)
针对带神经感知机制的非对称信息部分可观测随机博弈,首次提出基于HSVI的在线ε-极小极大策略求解方法,通过持续求解与推断信念策略,仅需单线性规划即可高效求解。
2024-04-16 cs.AI cs.GT
Privacy and Truthful Equilibrium Selection for Aggregative Games
我们研究一类非常普遍的游戏-多维聚合游戏-特别是推广匿名游戏和加权拥塞游戏。对于任何这样的游戏,也是大的,我们解决了均衡选择问题在很强的意义。特别地,我们给出了一个有效的弱中介:一个只具有倾听报告类型和提供无约束力的建议行动的能力的机制,使得(a)每个局中人如实地向中介报告他们的类型,然后遵循其建议行动是一个渐近纳什均衡;(b)当局中人这样做时,他们最终会在诱导完全信息博弈的一个特定的渐近纯策略纳什均衡上协调。事实上,真实的报告是中介博弈的事后纳什均衡,因此我们的解决方案即使在信息不完整的情况下也适用,即使参与者类型是任意的或最坏的情况(即不是从共同的先验中得出的)。我们实现了这一点,给出了一个有效的差分私人算法计算纳什均衡在这样的游戏。所有结果的收敛速度都是关于参与人个数的逆多项式$n$。我们还将我们的主要结果应用到多维市场博弈中。我们的结果可以被看作是给,丰富的游戏类,一个更强大的版本的启示原则,在我们的工作与较弱的信息假设(没有共同的先验),但提供了一个更强的解决方案的概念(事后纳什与贝叶斯纳什均衡)。与之前的工作相比,我们的主要概念贡献是表明弱介体是存在于各种游戏中的博弈论对象-以前,它们只存在于交通路由游戏中。
2015-02-24 cs.DS cs.GT
Differentially-private Distributed Algorithms for Aggregative Games with Guaranteed Convergence
针对聚合博弈,提出一种无需加密的分布式算法,在保证严格差分隐私的同时确保纳什均衡计算精度,并适用于随机场景。
2023-06-23 cs.GT cs.SY eess.SY
Game-Theoretic Framework for Private Data Sharing in Vehicular Networks
提出一种结合Stackelberg博弈的混合架构,通过安全多方计算和激励机制实现隐私保护的车载数据共享,实验验证了其有效性和市场可行性。
2026-06-23 cs.CR cs.GT cs.NI
On a Generic Security Game Model
为了保护暴露在互联网上的系统免受攻击,需要一个能够与攻击者交战的安全系统。已经尝试将良性和恶意用户与网络管理员之间的参与/交互建模为游戏。在这些作品的基础上,我们提出了一个游戏模型,这是通用的,足以捕捉各种模式的这种互动。该模型有利于不完全信息的随机博弈。由于错误的传感器导致玩家对当前状态的错误感知,信息是不完美的。为了对分布在其他多个状态上的感知误差进行建模,我们使用传感器输出之间的欧几里得距离。我们构建了一个5态游戏来表示管理员与用户的交互。这些状态对应于1)用户在互联网中离开系统,并且在登录到系统之后; 2)具有低权限; 3)具有高权限; 4)当他成功攻击时;以及5)被管理员困在蜜罐中。每个州都有自己的行动集。我们提出了一个独特的感知动作集对应于这些状态的每个不同的信息集的游戏。该模型有利于不完全信息的随机博弈。不完美的信息是由于错误的传感器导致玩家对当前状态的错误感知。为了对分布在状态上的感知误差进行建模,我们使用传感器输出之间的欧几里得距离。一个例子游戏的数值模拟显示的评价奖励的球员和首选的策略。我们还提出了制定战略时,处理多个攻击者和进行合作的条件。
2018-01-18 cs.CR cs.GT
Privacy Impact on Generalized Nash Equilibrium in Peer-to-Peer Electricity Market
我们考虑一个点对点的电力市场,代理人持有他们可能不想分享的私人信息。该问题被建模为一个非合作的通信游戏,它采取的形式是一个广义纳什均衡问题,其中代理商确定他们的随机报告与其他市场参与者共享,同时预期的形式对等市场均衡。在非合作博弈中,每个代理决定报告的确定性部分和随机部分,使得(a)报告的确定性部分与真实隐私信息之间的距离是有界的,并且(b)隐私损失随机变量的期望是有界的。这允许每个代理更改其隐私级别。我们刻画了博弈均衡的特征,证明了变分均衡的唯一性,并给出了隐私价格的封闭表达式。此外,我们提供了一个封闭形式的表达式来衡量包含随机噪声和确定性偏离代理的真实值所造成的隐私保护的影响。数值例子上的14总线IEEE网络。
2021-01-18 cs.GT math.OC
Two-Party Privacy Games: How Users Perturb When Learners Preempt
本文研究了隐私与准确性的平衡,以及用户输入扰动与学习者输出扰动的交互,通过经验风险最小化、差分隐私和Stackelberg博弈框架分析,发现用户或学习者在均衡时仅扰动一方。
2016-08-10 cs.CR cs.GT cs.SY
Differentially Private Equilibrium Finding in Polymatrix Games
研究在多项矩阵博弈中满足差分隐私约束的均衡查找问题,证明在玩家数量趋于无穷时,无法同时获得高精度均衡和低隐私预算,提出一种新的分布式算法以实现同时消失的纳什差距和隐私预算。
2026-03-18 cs.AI cs.CR cs.GT
A Stackelberg Game Perspective on the Conflict Between Machine Learning and Data Obfuscation
New York University(纽约大学)
数据是新的石油;这句话在互联网跟踪、机器学习和数据分析时代被广泛重复。然而,随着数据汇集变得越来越个人化和普遍化,公众要求保护隐私保护的压力也越来越大。在这种氛围下,开发人员已经创建了应用程序,以向跟踪算法可见的用户属性添加噪声。当维护隐私和提高准确性的激励措施不一致时,这就在跟踪者和用户之间建立了一种战略互动。在本文中,我们通过一个N+1-玩家,增广Stackelberg游戏概念化这种冲突。首先,机器学习器声明一个隐私保护级别,然后用户通过选择他们自己的扰动量来做出响应。我们使用差分隐私和经验风险最小化的一般框架来量化的效用组件,由于隐私和准确性,分别。在平衡中,每个用户独立地干扰她的数据,这导致准确性的高净损失。为了补救这种情况下,我们表明,学习者提高了他的效用,主动扰动自己的数据。虽然在这一领域的其他工作已经研究了隐私市场和机制设计的真实报告的用户信息,我们采取了不同的观点,考虑用户和学习者的扰动。
2016-12-08 cs.CR cs.GT cs.LG
Adversarial Image Perturbation for Privacy Protection -- A Game Theory Perspective
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
用户喜欢通过社交媒体与他人分享个人照片。与此同时,他们可能想让这些照片中的自动识别变得困难甚至不可能。经典的模糊处理方法,如模糊处理,不仅令人不快,而且也不像人们期望的那样有效。对抗性图像扰动(AIP)的最新研究表明,它是可能的,没有令人不快的伪影,有效地混淆识别系统。然而,在存在针对AIP的反措施的情况下,尚不清楚AIP的有效性,特别是在反措施的选择未知的情况下。博弈论提供了工具来研究代理之间的相互作用与不确定性的战略。我们介绍了一个一般的游戏理论框架的用户识别器的动态,并提出了一个案例研究,涉及目前最先进的AIP和个人识别技术。我们推导出最佳的策略,为用户,确保上界的识别率独立的识别器的反措施。代码可在https://goo.gl/hgvbNK上获得。
2017-07-26 cs.CR cs.CV cs.GT
An Anti-Folk Theorem for Large Repeated Games with Imperfect Monitoring
我们研究无限重复的游戏设置不完美的监控。我们首先证明了一个家庭的定理表明,当玩家观察到的信号满足一个条件,称为$(ε, γ)$ -差分隐私,民间定理有一点点咬:为值的$ε$和$γ$足够小,对于一个固定的折扣因子,任何均衡的重复游戏涉及玩家玩近似均衡的阶段游戏在每个时期。接下来,我们认为,在大型游戏($n$玩家游戏中,单方面的偏差只有一个小的影响,其他玩家的效用),许多监控设置自然会导致信号,满足$(ε,γ)$ -差分隐私,为$ε$和$γ$趋于零的玩家数量$n$增长大。我们的结论是,在这种情况下,重复博弈的均衡集崩溃的阶段博弈的均衡集。
2014-10-08 cs.DS cs.GT
A Game-theoretic Framework for Privacy-preserving Federated Learning
Huazhong University of Science and Technology(华中科技大学);Webank(微众银行);MSRA(微软亚洲研究院);Tsinghua University(清华大学);Hong Kong University of Science and Technology(香港科技大学)
针对联邦学习中的半诚实隐私威胁,提出融合双方收益的FLPG不完全信息博弈及预言机机制,给出攻击者理性选择不攻击的条件。
2024-02-28 cs.AI cs.CR cs.GT
Coarse-Grained Games: A Framework for Bounded Perception in Game Theory
本文提出粗粒度博弈(CGG)框架,研究参与者将不同收益视为相同时的理性推断与Nash均衡变化,并展示其在产品更新与柠檬市场分析中的应用。
2025-04-03 cs.GT econ.TH math.PR
A Game-Theoretic Study on Non-Monetary Incentives in Data Analytics Projects with Privacy Implications
个人向社交网站等数字存储库提供的个人信息量大幅增长。这些数据的存在为包括医学和公共政策在内的各个社会重要领域的数据分析研究提供了前所未有的机会。这些分析的结果可以被认为是一种公共产品,有利于数据贡献者以及不提供数据的个人。与此同时,个人信息的发布给贡献者带来了感知和实际的隐私风险。我们的研究解决了这个问题。在我们的工作中,我们研究了一个博弈论模型,在这个模型中,个人以两种方式控制参与数据分析项目:1)个人可以在自己选择的精度水平上贡献数据,2)个人可以决定他们是否想要贡献(或不)。从分析师的角度来看,我们调查研究分析师在多大程度上可以灵活地设定数据精度要求,以便个人仍然愿意为项目做出贡献,并提高估计的质量。我们研究这种权衡的情况下,同质和异质个体的人口,并确定纳什均衡,反映了最佳的参与水平和精度的贡献。我们进一步证明,分析师可以通过对用户可以揭示的数据的精度施加下限来大幅提高分析的准确性。
2015-05-10 cs.CR cs.CY cs.GT
Regulation Games for Trustworthy Machine Learning
University of Toronto(多伦多大学);Vector Institute(矢量研究所)
提出将可信机器学习建模为多智能体博弈的监管博弈框架,并引入ParetoPlay均衡搜索算法,确保智能体在帕累托前沿上,为ML监管提供政策指导,如性别分类中可降低差分隐私预算。
2024-02-05 cs.GT cs.LG stat.ML