Egalitarian solution for games with discrete side payment
本文研究了具有离散支付的对策的平均解，其中特征函数为整数值，局中人的支付为整数向量。平均主义解是Dutta和Ray在1989年提出的可转移效用合作博弈的一种解概念，它将对平均主义的承诺和对个人利益的促进以一种一致的方式结合起来。我们首先指出，平等主义的解决方案（在连续的情况下）的好的属性不扩展到离散方支付的游戏。然后，我们表明，洛伦兹稳定集，这可能被视为一个变种的平等主义的解决方案，有很好的性质，如戴维斯和Maschler约化博弈性质和逆约化博弈性质。对于证明，我们利用最近的结果在离散凸分析减少最小化的M-凸集由弗兰克和Murota研究。
2020-03-23 cs.GT econ.TH
Endogenous games with goals: side-payments among goal-directed artificial agents
人工代理通常面向实现外部分配的任务，并试图优化计划执行的次要方面，如时间流逝或功耗，在技术上显示准二分法偏好关系。布尔博弈已经发展成为一个范例，用于模拟具有这种偏好的代理人的社会。在布尔博弈中，代理人对命题变量进行控制，并努力实现一个目标公式，该公式的实现可能需要对手的合作。最近，这种游戏的激励工程理论已经被设计出来，其中外部权威通过对玩家施加税收机制，使不符合这些属性的结果对他们不那么有吸引力，从而将游戏的结果转向与玩家目标一致的某些理想属性。目前的贡献源于一个互补的角度和研究，而不是，如何与准二分偏好的游戏可以从内部，而不是从外部，赋予玩家的可能性，牺牲他们的一部分收益收到在一定的结果，以说服其他玩家玩某种策略。具体而言，我们探讨了内生博弈的目标，得到耦合战略博弈的目标，布尔博弈的推广，内生博弈的机制来自博弈论。我们分析了这些结构中的均衡，展示了在没有外部干预的情况下实现理想结果所需的先决条件。我们的研究结果表明，具有目标的内源性游戏显示出特定的不可约特征-相对于已知的内源性游戏-这使得它们值得研究。
2013-11-14 cs.GT
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
Game Implementation: What Are the Obstructions?
在许多应用中，我们希望通过为独立代理人的行为设计激励措施来影响他们的决策。我们重新审视这一领域的一个基本问题，称为博弈实现：给定一个标准形式的博弈和一组期望的策略，我们能否设计一组支付承诺，使得如果玩家考虑支付承诺，那么所有非劣策略都是期望的？此外，我们的目标是尽量减少成本，即最坏情况下的付款额。我们研究计算这种付款承诺的易处理性，并更密切地确定我们在这样做时可能必须克服的障碍。我们证明了即使对于两个参与者，博弈实现也是NP难的，特别是解决了一个长期的开放问题（Escherbenz et al. 2011），并建议需要更多的限制来获得易处理的结果。因此，我们研究的制度，其中的球员只有一个小的常数数量的战略，并获得以下。首先，即使每个参与者的效用只取决于其他三个参与者，这种情况仍然是NP难的。其次，我们修复了一个有缺陷的有效算法的情况下，既有少量的战略和少量的球员。在进一步的结果中，我们描述了一组所需的策略，可以实现零成本作为一种稳定的游戏核心。
2022-12-01 cs.GT
The Empirical Core of the Multicommodity Flow Game Without Side Payments
政策制定者关注的是理性参与者所采取的稳定策略。如果有很多这样的解决方案，那么一个重要的问题就是如何从中选择。我们研究这个问题的多商品流联盟游戏，用于在互联网上的自治系统（AS）之间的合作模型。简而言之，战略是一个能力有限的网络中的流。一个节点的收益是它终止的总流量。Markakis-Saberi通过Scarf定理证明了这个博弈是平衡的，因此有一个非空的核心。在可转移效用（TU）版本中，这给出了一个多项式时间算法来找到核心元素，但对于AS来说，边支付并不自然。在NTU游戏中找到核心元素往往在计算上更加困难。对于这个游戏，唯一以前的结果给出了一个过程，找到一个核心元素时，供应图是一个路径。我们扩展了他们的工作与算法，合并，产生许多不同的核心元素。我们使用我们的算法来评估特定的情况下，通过生成许多核心向量。我们称之为游戏的经验核心。我们发现，抽样的核心向量更一致的社会福利（SW）比公平（最低支出）。对于SW，它们倾向于做得和最优线性规划值$LP_{sw}$一样好。相比之下，经验核心的公平性范围更大;公平性值往往比最佳公平性LP值$LP_{fair}$更差。我们研究这种差异的设置一般图单汇的需求。在这种情况下，我们给出了一个算法，产生的核心向量，同时最大化SW和公平性。这导致了下面的一般博弈的双准则结果。给定任何核产生算法和任何$λ\in (0,1)$，可以产生具有公平性的近似核向量（分别…
2020-01-28 cs.GT
Financial Network Games
我们从博弈论的角度研究金融系统。金融系统由网络表示，其中节点对应于公司，有向标记边对应于它们之间的债务合同。网络中循环的存在表明，公司向其贷方之一支付可能导致一些收入支付。因此，如果一家公司不能完全偿还债务，那么它对每个债权人的确切（部分）付款可能会影响现金流入。我们自然地假设，这些公司对他们的财务状况（效用）感兴趣，这与他们从网络中收到的收入金额一致。这就定义了公司之间的博弈，可以看作是效用最大化的代理人，他们可以在支付上制定策略。我们是第一个研究金融网络游戏下出现的一组自然的支付策略称为优先级比例支付。我们调查的存在和（在）效率的均衡策略，在不同的假设下，如何定义的公司的效用，在公司之间允许的债务合同的类型，以及在实践中通常出现的其他金融特征的存在。令人惊讶的是，即使所有公司的战略都是固定的，也不能保证存在独特的支付模式。因此，我们还研究了固定支付策略的有效支付轮廓的存在性和计算。
2021-07-14 cs.CE cs.GT q-fin.RM
Games with Payments between Learning Agents
Cornell University（康奈尔大学）
研究探讨了学习代理间支付对学习动态和福利的影响，发现支付能提高整体福利，但在拍卖中导致收益下降，揭示了机制设计和监管的挑战。
2026-02-11 cs.AI cs.GT cs.MA
On the Connection between Individual Scaled Vickrey Payments and the Egalitarian Allocation
平均分配（EA）是一种著名的合作博弈的利润分配方法，它试图以最平等的方式在参与者之间分配利润，同时尊重个人对所获得利润的贡献。尽管从博弈论的角度来看具有理想的属性，例如包含在核心中，但EA通常难以计算。Vickrey Payments（VP）提供了另一种众所周知的方法。再次，VP具有理想的属性，如联盟理性，VP一般不满足预算平衡，因此，一般不包含在核心中。克服这个缺点的一种尝试是缩小VP。这可以通过唯一的缩放因子或通过单独的缩放因子来完成。现在，通过按字典顺序最大化缩放因子来计算单个缩放的Vickrey Payments（ISV）。在本文中，我们表明，ISV支付实际上是相同的加权EA，从而表现出EA和VP之间的一个有趣的连接。在此基础上，我们得出了ISV支付的唯一性，并提供了一个多项式时间算法来计算一个特殊的加权EA。
2021-09-02 cs.GT
Learning Strategic Value and Cooperation in Multi-Player Stochastic Games through Side Payments
Department of Computer Science & Engineering, Texas A&M University（德克萨斯A&M大学计算机科学与工程系）；Naval Information Warfare Center Atlantic（海军信息战中心大西洋分部）；Department of Mechanical and Aerospace Engineering, University of California, Irvine（加州大学 Irvine 分校机械与航空航天工程系）
本文研究多玩家随机博弈中的战略价值与合作，提出HS-S和Coco-S两种价值概念，并通过例子证明其在多玩家场景下的差异，同时提供估计方法和实验比较。
2026-05-09 cs.AI cs.GT
The Contest Game for Crowdsourcing Reviews
针对众包评审竞赛，建模战略玩家选择质量与努力，提出计算纯纳什均衡的算法。
2023-05-16 cs.GT
Non-coercive extortion in game theory
本研究提出一种基于结果依存支付承诺的非强制性勒索机制，通过将序贯性引入同时行动博弈实现奖励式利润榨取，推导了成功条件、适用博弈类别及极值收益，揭示了竞争环境的策略脆弱性，拓展了博弈论承诺研究的边界。
2025-07-29 cs.GT
Optimal Bailouts and Strategic Debt Forgiveness in Financial Networks
本文研究金融网络中通过救助和策略性债务免除最大化系统流动性的问题，分析贪心策略的近似比与最优策略的计算复杂性，并从博弈论角度证明纯纳什均衡的存在性、质量及求解复杂度。
2024-10-23 cs.GT
Heavy Traffic Approximation of Equilibria in Resource Sharing Games
我们考虑了一个结合了购买行为和战略行为的定价资源共享模型。我们研究了一个优先级服务模型，其中一个单一的服务器分配其容量的代理成比例的支付给系统，和用户从不同的类采取行动，以尽量减少他们的处理延迟和支付的成本之和。由于这个系统的确切处理时间是很难计算的，我们引入了繁忙的交通平衡的概念作为一个近似的纳什均衡，通过考虑系统负载接近能力的渐近制度。我们讨论了效率和收入，特别是提供了一个界限的无政府状态无政府代价的繁忙的交通均衡。
2012-06-02 cs.GT
Game-Theoretic Analysis of (Non-)Refundable Fees in the Lightning Network
针对闪电网络中支付失败转发节点无补偿、探测攻击无成本的问题，提出不可退还部分费用的博弈模型，可提升支付成功率、降低路由费并增加攻击成本，还给出哈希时间锁定合约的适配修改方案。
2023-10-06 cs.CE cs.GT
Dynamic Rental Games with Stagewise Individual Rationality
Tel Aviv University（特拉维夫大学）
研究租赁博弈这一单参数动态机制设计问题，探讨设计者利用代理人阶段个体理性的经济目标。表明最优租赁机制可建模为带卖方成本的动态拍卖，虽与经典拍卖不同，但给出了不同经济目标下最优机制的刻画及支付规则应用情况。
2026-07-16 cs.GT
The Cost of Stability in Coalitional Games
Microsoft Research（微软研究院）；University of Southampton（南安普顿大学）；Nanyang Technological University（南洋理工大学）；Hebrew University（希伯来大学）；Heinrich-Heine-Universität Düsseldorf（杜塞尔多夫海因里希·海涅大学）
合作博弈论中的一个关键问题是联盟的稳定性，通常用\emph{core}的概念来描述--一组结果，使得没有一个参与者小组有偏离的动机。然而，有些联盟博弈的核心是空的，这样的博弈中的任何结果都是不稳定的。在本文中，我们研究了通过使用外部支付来稳定联盟博弈的可能性。我们考虑这样一种情况，即一个外部政党，它有兴趣让球员一起工作，提供了一个补充支付给大联盟（或更一般地说，一个特定的联盟结构）。这种支付是有条件的球员不偏离他们的联盟（S）。然后，该支付的总和加上联盟的实际收益可以在代理人之间分配，以促进稳定性。我们将\emph{cost of stability (CoS)}定义为稳定游戏的最小外部支付。我们提供了几类游戏的稳定性成本的一般界限，并探讨其算法特性。为了开发一个更好的直观的概念，我们介绍，我们提供了一个详细的算法研究的成本稳定的加权投票游戏，一个简单的，但表现力类的游戏，可以模拟决策的政治机构，在多智能体设置和合作。最后，我们将我们的模型和结果扩展到具有联盟结构的博弈。
2009-07-24 cs.AI cs.CC cs.GT
Learning a Game by Paying the Agents
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Harvard University（哈佛大学）；Carnegie Mellon University（卡内基梅隆大学）；Strategy Robot, Inc.（策略机器人公司）；Strategic Machine, Inc.（战略机器公司）；Optimized Markets, Inc（优化市场公司）
研究在重复正常形式游戏中学习无遗憾学习代理的效用函数问题，提出通过支付函数学习所有代理效用函数的方法，为引导代理到均衡提供新算法。
2026-05-12 cs.GT
Forming better stable solutions in Group Formation Games inspired by Internet Exchange Points (IXPs)
我们研究了一个由互联网交换点（IXPs）形成的协调博弈，代理选择加入哪些设施。加入与您通信的其他代理相同的设施有好处，但不同的设施对每个代理有不同的成本。因此，玩家希望加入与他们的“朋友”相同的设施，但这是通过他们不想支付加入设施的费用来平衡的。我们首先证明了这个博弈的稳定价格（$PoS$）最多为2，更一般地说，总是存在一个$α$-近似均衡，成本最多为最优的$\frac{2}α$。然后，我们专注于如何形成更好的稳定解决方案。如果我们允许代理支付他们的邻居，以防止他们偏离（即，玩家$i$自愿支付另一玩家$j$，使得$j$加入相同的设施），那么我们提供一种支付方案，其以最小的社会成本$s^*$稳定解决方案，即PoS为1。在我们的主要技术结果中，我们考虑了为了形成良好的稳定解决方案，中央协调器必须支付玩家多少钱。令$Δ$表示为了稳定$s^*$而需要支付给玩家的支付总额，即，如果玩家改变了他们在$s^*$中的策略，那么这些支付将失去。我们证明了$Δ$和稳定的代价：$\fracΔ{cost(s^*)} \le 1 - \frac{2}{5} PoS$之间存在一个折衷。因此，当不存在良好的稳定解时，仅需要少量的额外支付来稳定$s^*$;并且当良好的稳定解已经存在时（即，$PoS$很小），那么我们应该对这些解决方案感到满意。最后，我们考虑了求解最优解$s^*$的计算复杂性，设计了一个多项式时间的…
2020-08-27 cs.GT
Trade Privacy for Utility: A Learning-Based Privacy Pricing Game in Federated Learning
为了防止在联邦学习（FL）下数据所有者（DO）之间共享梯度时的隐式隐私泄露，差分隐私（DP）及其变体已经成为一种常见的实践，以提供低开销的正式隐私保证。然而，个体DO通常倾向于注入更大的DP噪声以获得更强的隐私规定（这导致模型效用的严重退化），而策展人（即，聚集服务器）旨在最小化所添加的随机噪声的总体影响以获得令人满意的模型性能。为了解决这一矛盾的目标，我们提出了一种新的动态隐私定价（DyPP）游戏，它允许DO出售个人隐私（通过降低本地添加的DP噪声的规模）差异化的经济补偿（由策展人提供），从而提高FL模型的实用性。考虑到参与者之间的多维信息不对称（例如，DO的数据分布和隐私偏好，以及策展人的最大可负担报酬）以及他们在不同FL任务中的不同隐私信息，很难直接达到混合策略DyPP博弈的纳什均衡。另外，我们设计了一个快速的强化学习算法，具有两个层次，快速学习的最佳混合噪声节省策略的DO和最佳的混合定价策略的策展人没有先验知识的球员的私人信息。在真实数据集上的实验验证了该方案的可行性和有效性，在更快的收敛速度和提高FL模型的效用与更低的支付成本。
2023-02-15 cs.GT
Perception Games and Privacy
参与者（个人、公司、国家等）有隐私问题，可能会影响他们在战略环境中的行动选择。我们使用一种信号博弈的变体来模拟这种效应，并研究其与池化行为、信息误报和效率低下的关系。我们讨论了这些问题，并表明，共同的直觉可能会导致不准确的结论隐私问题的影响。
2017-05-17 cs.GT
Maximizing Social Welfare with Side Payments
针对正则型博弈中附带支付可能因囚徒困境导致低效的问题，提出分阶段承诺协议，通过渐进有界的转移支付承诺恢复附带支付的全部效率潜力并实现社会福利最大化。
2025-08-10 cs.GT econ.TH
Striking a Balance: An Optimal Mechanism Design for Heterogenous Differentially Private Data Acquisition for Logistic Regression
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对隐私敏感卖家的数据获取问题，提出一种最优机制设计，通过两步优化框架和在线算法，在异构差分隐私保证下求解逻辑回归，平衡模型性能、隐私保护与支付成本。
2024-10-17 cs.GT cs.LG
Mechanisms for Fair Allocation Problems: No-Punishment Payment Rules in Fully Verifiable Settings
机制设计是在公平分配不可分割的货物并给予货币补偿的背景下处理的。出于现实世界中的社会选择问题，验证机制被认为是在设置中（i）代理商的声明分配的货物可以完全验证支付之前进行，以及（ii）验证不用于惩罚代理商的声明导致不正确的。在此设置中，一个机制的设计，被证明是真实的，有效的，和不平衡的，代理人的效用是公平地确定合适的联盟游戏的Shapley值。然而，所提出的机制被证明是#P-完全的。因此，为了处理涉及许多代理的应用程序，还提出了两个多项式时间随机化变体：一个仍然真实且有效，并且以高概率近似预算平衡，另一个在期望中是真实的，同时仍然预算平衡且高效。
2012-09-15 cs.GT
Lightning Creation Games
研究支付通道网络创建的激励结构，定义新用户效用函数并提供优化算法，同时分析整个网络形成纳什均衡的条件。
2023-06-28 cs.CR cs.GT
K-Implementation
本文讨论了一个利益相关方谁希望在一个游戏（多智能体交互），这是不受他的控制影响的行为的代理。利益相关方不能设计新的博弈，不能强制代理人的行为，不能强制代理人付款，也不能禁止代理人使用策略。然而，他可以通过对代理人可能选择的不同策略配置文件承诺非负的货币转移来影响游戏的结果。利益相关方假设代理人是理性的，在通常公认的意义上，他们不使用劣势策略。因此，如果通过增加非负支付，理性参与者必然会在这个子集中产生结果，那么在给定的博弈中会实现某个子集的结果。显然，通过支付足够大的款项，人们可以实现任何理想的结果。问题是实施的成本是多少？在本文中，我们介绍的概念，k-实现所需的一组策略配置文件，其中k代表的金额，实际上需要进行，以实现理想的结果。k-实施的一个要点是，在遵循期望的行为时，货币优惠不一定要实现。我们定义和研究的背景下，完全和不完全信息的游戏中的k-实现。在后一种情况下，我们主要关注VCG游戏。我们的设置后来扩展到处理混合策略使用相关设备。总之，本文介绍和研究的理想结果的实施可靠的一方谁不能修改游戏规则（即提供协议），补充以前的工作在机制设计，同时使其更适用于许多现实的CS设置。
2011-06-30 cs.AI cs.GT
Game-Theoretic Model of Incentivizing Privacy-Aware Users to Consent to Location Tracking
如今，移动用户拥有大量的应用程序和服务。这些都可能对用户的“个人身份信息”（PII）造成一些隐私威胁。位置隐私是PII的重要组成部分，因此，隐私意识强的用户希望最大限度地提高位置隐私。例如，这种隐私可能会受到公司的威胁，该公司收集用户的跟踪并与第三方共享。为了最大限度地保护他们的位置隐私，用户可以决定离线，以便公司无法定位他们的设备。用户与网络保持连接的时间越长，他可能获得的服务就越多，但他的位置隐私就会减少。在本文中，我们分析了位置隐私，服务水平，用户体验，和公司的利润之间的权衡。为此，我们制定了用户（追随者）和公司（领导者）之间的Stackelberg贝叶斯博弈。我们提出了表征博弈均衡的理论结果。据我们所知，我们的工作是第一个对服务提供商的经济合理决策进行建模的工作（即，本公司）与希望保护其位置隐私的用户的理性决策相结合。为了评估我们的方法的性能，我们使用了来自测试平台的真实数据，我们还表明，该公司的博弈论策略优于非战略方法。最后，我们考虑了不同的用户隐私类型，并确定了激励用户尽可能长时间保持连接的服务级别。
2016-01-02 cs.GT
Buying Private Data without Verification
我们考虑的问题，设计一个调查，从一个隐私敏感的人口聚集不可验证的信息：分析师希望计算一些总的统计数据从每个成员的人口持有的私人位，但不能验证参与者在他的调查报告的位的正确性。人口中的个体是具有隐私成本的策略代理人，\ie，他们不仅考虑了他们期望从机制中获得的支付，而且考虑了他们的隐私成本，这些隐私成本来自机制的结果-计算的统计数据以及支付-以确定他们的效用。当个体战略性地决定是否参与和是否如实报告他们的敏感信息时，分析师如何设计支付方案以获得对总体统计数据的准确估计？我们设计了一个差分私人同行预测机制，支持准确估计的人口统计作为贝叶斯-纳什均衡的设置，代理人有明确的偏好隐私。该机制需要关于比特$b_i$的边缘先验分布的知识，但不需要关于成本$c_i$的边缘分布的全部知识，而是仅需要近似的上限。我们的机制保证$ε$ -差分隐私每个代理$i$对任何对手谁可以观察到的统计估计输出的机制，以及支付给$n-1$其他代理$j\neq i$。最后，我们表明，通过对每个代理的隐私成本函数进行稍微更结构化的假设，随着代理数量的差异，运行调查的成本将由$0$承担。
2014-04-24 cs.CR cs.DS cs.GT
Privacy-Preserving Public Information for Sequential Games
在信息不完全的情况下，玩家会发现很难协调找到具有良好社会福利的州。例如，在金融环境中，如果一组金融公司对彼此的策略了解有限，其中一些大公司可能会选择相同的高风险投资，以期获得高回报。虽然这在某些情况下是可以接受的，但如果许多公司在同一个高风险的市场领域进行投资而失败，经济可能会受到严重损害。许多公司最终可能选择同一部分的一个原因是，它们不了解其他公司的投资情况（不完全的信息可能导致"坏"的游戏状态）。然而，直接报告所有参与者的投资会引起个人和机构的保密问题。在本文中，我们探讨是否可以公开宣布的方式，保持隐私的球员的行动，并仍然足以阻止球员达到坏的游戏状态的游戏状态的信息。我们表明，在许多游戏的利益，这是可能的球员，以避免这些坏的状态与隐私保护的帮助下，公开宣布的信息。我们在这个不完美的信息设置中的行为模型的球员在两种方式-贪婪和不受支配的战略行为，我们证明保证社会福利，某些类型的隐私保护信息可以帮助实现。此外，我们设计了一个在持续观察下具有更好隐私保证的柜台。
2014-08-29 cs.GT
The Stable Fixtures Problem with Payments
我们推广了两个著名的博弈理论模型，通过引入多个合作伙伴匹配的游戏，定义的图$G=(N,E)$，与一个整数顶点容量函数$b$和边加权$w$。集合$N$由多个参与者组成，这些参与者将形成具有值$w(ij)$的2参与者联盟$ij$的集合$M\subseteq E$，使得每个参与者$i$至多在$b(i)$联盟中。支付向量是一个映射$p: N \times N \rightarrow {\mathbb R}$，如果$ij\in M$，则为$p(i,j)+p(j,i)=w(ij)$，如果$ij\notin M$，则为$p(i,j)=p(j,i)=0$。$(M,p)$对称为解。一对玩家$i,j$和$ij\in E\setminus M$阻止一个解$(M,p)$，如果$i,j$可以形成一个新的两个玩家联盟，可能只有在退出他们现有的两个玩家联盟之一之后，他们才能在其中相互更好。一个解是稳定的，如果它没有阻塞对。我们给出了一个多项式时间算法，该算法要么发现一个给定的多伙伴匹配对策没有稳定解，要么得到它的稳定解.我们用两种不同的方法刻画了一个多伙伴匹配对策的稳定解集，并展示了这如何导致Sotomayor的一些已知结果的简单证明（1992，1999，2007）的结果，并将其中的一些结果推广到多伙伴配对博弈中。我们还进行了相应的合作博弈，在任何规模的联盟可能会形成的核心的研究。特别是，我们表明，一个稳定的解…
2016-08-31 cs.CC cs.DS 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
Faithful Edge Federated Learning: Scalability and Privacy
Zhejiang University/University of Illinois at Urbana–Champaign Institute（浙江大学伊利诺伊大学厄巴纳-香槟校区联合学院）；Zhejiang University（浙江大学）；Northwestern University（西北大学）
联邦学习使机器学习算法能够在多个分散的边缘设备的网络上进行训练，而不需要交换本地数据集。成功部署联邦学习需要确保代理（例如，移动设备）忠实地执行预期的算法，这在文献中被大大忽视。在这项研究中，我们首先使用风险边界来分析如何联邦学习的关键特征，不平衡和非独立的。数据，影响代理的激励自愿参与和顺从地遵循传统的联邦学习算法。更具体地说，我们的分析表明，具有不太典型的数据分布和相对更多的样本的代理更有可能选择退出或篡改联邦学习算法。为此，我们制定了第一个忠实的实施问题的联邦学习和设计两个忠实的联邦学习机制，满足经济属性，可扩展性和隐私。此外，计算代理数量中所有代理的支付的时间复杂度是$\mathcal{O}(1)$。首先，我们设计了一个忠实的联邦学习（FFL）机制，通过增量计算近似Vickrey-Clarke-Groves（VCG）支付。我们表明，它实现（可能近似）最优，忠实执行，自愿参与，和其他一些经济属性（如预算平衡）。其次，通过划分代理成几个子集，我们提出了一个可扩展的VCG机制近似。我们进一步设计了一个可扩展的差分私有FFL（DP-FFL）机制，第一个差分私有忠实机制，保持经济属性。我们的机制使人们能够在隐私，所需的迭代和支付准确性损失之间进行三方面的性能权衡。
2021-10-26 cs.AI cs.GT cs.LG
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
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
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
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
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
