Online Resource Sharing: Better Robust Guarantees via Randomized Strategies
针对非货币在线资源公平分配，提出随机竞价策略，将鲁棒保证从1/2提升至约0.59，并证明静态策略上限为0.6，几乎达到已知下界。
2025-05-25 cs.GT
On the Inducibility of Stackelberg Equilibrium for Security Games
强Stackelberg均衡（SSE）是Stackelberg安全博弈的标准解概念。与弱斯塔克伯格均衡（WSE）相反，SSE假设追随者打破关系，支持领导者，这是广泛承认和合理的断言，防御者往往可以诱导攻击者选择一个首选的行动，通过对她的策略进行无限小的调整。不幸的是，在具有资源分配约束的安全博弈中，断言可能是无效的;防御者可能无法诱导出期望的结果。因此，文献中的许多结果可能过于乐观。为了补救，我们首先正式定义了防御者策略的效用保证，并提供了例子来证明SSE的效用可以高于其效用保证。其次，受Von Stengel和Zamir（2004）对领导者收益分析的启发，我们提出了具有最高效用保证且始终存在的诱导型斯塔克伯格均衡（ISE）的解概念。第三，我们展示了ISE与SSE重合时的条件，以及在一般情况下，SSE在效用保证方面可能非常糟糕的事实。此外，引入ISE不会使现有的算法结果无效，因为计算ISE的问题多项式地减少到计算SSE的问题。我们还提供了一个算法实现计算ISE，我们的实验揭示了经验优势的ISE的SSE。
2018-11-09 cs.GT
Beyond Worst-Case Online Allocation via Dynamic Max-min Fairness
针对多轮共享资源分配问题，提出动态最大最小公平（DMMF）机制，在独立同分布及相关估值、可复用资源等场景下，证明其能为智能体提供接近甚至超越现有机制的理想效用保障，且结果优于此前复杂机制的最坏情形半效用保证。
2025-06-12 cs.GT
Universally Utility-Maximizing Privacy Mechanisms
一个公布关于含有敏感数据的统计数据库的信息的机制必须解决实用性和隐私性之间的权衡问题。隐私可以使用{ \em差分隐私}的框架来严格量化，该框架要求无论是否包括或排除给定的数据库行，机制的输出分布都几乎相同。本文的目标是强大的和一般的效用保证，受差分隐私。我们追求的机制，保证接近最佳的效用，每一个潜在的用户，独立于它的边信息（建模为一个先验分布的查询结果）和偏好（通过一个损失函数建模）。我们的主要结果是：对于每个固定计数查询和差分隐私级别，存在{ \em几何机制} $M^*$ --简单且充分研究的拉普拉斯机制的离散变体--即，对于每个可能的用户，{ \em同时期望损失最小化}服从差分隐私约束。这是一个非常强的实用性保证：{ \em every}潜在用户$u$，无论其附带信息和偏好是什么，从$M^*$获得的实用性与从与最佳地为$u$定制的差异私有机制$M_u$交互获得的一样多。
2009-03-20 cs.DB cs.GT
A Dynamic Axiomatic Approach to First-Price Auctions
第一价格拍卖以其简单、透明的特点在实践中得到了广泛的应用。此外，它的潜在优点在复杂的环境中增长，其中激励兼容拍卖可能产生很少或根本没有收入。不幸的是，第一价格拍卖在理论上知之甚少，因为均衡不是{ \em先验}投标人行为的可靠预测。我们采取动态的方法来研究第一价格拍卖：而不是基于性能保证仅仅在静态均衡，我们研究了重复设置，并表明，强大的性能保证可能来自简单的公理投标人的行为。例如，只要输家迅速提高出价，标准的第一价格拍卖将产生至少与第二价格拍卖一样多的收入。我们将这种动态技术推广到复杂的支付你的出价拍卖设置，并表明投标人行为的假设越来越强，意味着拍卖的性能越来越强的保证。一路上，我们发现，拍卖师的选择投标语言是至关重要的推广时，超出了单一的项目设置，我们提出了一个具体的建设称为{ \em实用目标拍卖}，表现良好。效用目标拍卖包括投标人的最终效用作为一个额外的参数，确定单一的维度，沿她希望竞争。这种拍卖与第一价格和递增代理包拍卖中的利润目标投标密切相关，并为各种复杂的拍卖环境提供了强有力的收入保证。特别有趣的是，在效用目标拍卖中保证存在纯策略均衡表明，如果投标人可以提出更复杂的出价，Overture可能会消除他们的广义第一价格赞助搜索拍卖中的循环行为。
2013-04-29 cs.GT
Valid Utility Games with Information Sharing Constraints
在多智能体系统中使用博弈论方法进行控制是近年来研究的一个重要课题。有效的效用博弈特别被用来模拟现实世界的问题;这种博弈具有一个方便的性质，即任何作为博弈的纳什均衡的决策集的值都保证在最优决策集值的1/2以内。然而，这种保证中隐含的假设是每个代理都知道所有其他代理的决策。在这项工作中，我们首先描述了这种保证如何降低代理只知道其他代理的决策的一个子集。然后，我们表明，这种损失可以减轻限制相关子类的游戏。
2022-09-15 cs.GT cs.MA cs.SY
Rational Dolev--Yao Attackers: Decidable Incentive-Aware Verification of Security Protocols in Strategic Logic
Surrey Centre（萨里中心）；IMSc Chennai（印度数学科学研究所钦奈分所）；Azim Premji University（阿齐姆·普雷吉大学）；University of Surrey（萨里大学）
该研究提出理性Dolev--Yao攻击者模型，用加权交替时间时序逻辑验证协议理性安全性，证明其可判定性与复杂性，并通过认证支付和ThreeBallot案例展示其应用。
2026-08-25 cs.CR cs.GT
Rational Adversaries and the Maintenance of Fragility: A Game-Theoretic Theory of Rational Stagnation
Daisuke Hirota（独立研究者）
本文提出博弈论框架，将理性停滞解释为理性对手在潜在损失原则下维持的均衡，并通过脆弱合作带和三种战略机制揭示其机制，应用于社交媒体与政治信任。
2025-10-25 cs.AI cs.GT econ.TH
Distributed MIS Algorithms for Rational Agents using Games
Indian Institute of Technology Madras（印度马德拉斯理工学院）
本文提出两种基于游戏的分布式MIS算法，通过节点间交互生成随机性，确保理性代理在策略性环境中获得正确MIS。
2025-11-20 cs.DC cs.GT
Utility Design for Distributed Resource Allocation -- Part II: Applications to Submodular, Covering, and Supermodular Problems
分布式控制的博弈论方法的一个基本组成部分是局部效用函数的设计。相对于在资源上可加性的资源分配问题，第一部分展示了如何设计局部效用，以便最大化相关的性能保证[Paccagnan等人，TAC 2019]，我们用无政府状态的无政府代价来衡量。本手稿的目的是专门这些结果的情况下，submodular，覆盖和supermodular问题。在所有这些情况下，我们得到严格的表达式的无政府代价，往往匹配或改善相关的保证国家的最先进的近似算法。两个应用程序和相应的数值：车辆目标分配问题和无线数据缓存中出现的覆盖问题。
2021-01-12 cs.GT math.OC
Learning and Calibrating Heterogeneous Bounded Rational Market Behaviour with Multi-Agent Reinforcement Learning
JP Morgan AI Research（摩根大通人工智能研究院）
针对基于智能体的模型需手动定义行为规则、而多智能体强化学习的理性假设偏离其有限理性初衷的问题，提出异质处理约束智能体表征技术，采用参数化共享策略学习实现高效计算，经真实数据验证显著提升了预测能力。
2024-02-01 cs.CE cs.GT cs.LG
Provable Sample Complexity Guarantees for Learning of Continuous-Action Graphical Games with Nonparametric Utilities
Purdue University（普渡大学）
本文研究了具有非参数效用函数的连续行动博弈的精确结构学习问题。我们提出了一个$\ell_1$正则化的方法，鼓励稀疏的傅立叶变换的系数恢复的效用。我们的方法通过访问非常少的纳什均衡和它们的噪声效用来工作。在一定的技术条件下，我们的方法也恢复了这些效用函数的确切结构，从而恢复了游戏的确切结构。此外，我们的方法只需要一个对数数量的样本的数量方面的球员和运行在多项式时间。我们遵循原始-对偶证人框架提供可证明的理论保证。
2020-04-01 cs.GT cs.LG stat.ML
Rational Aversion to Information
本文质疑“信息越多越好”的假设，指出当智能体对更新过程不确定时，理性可能要求其拒绝免费相关信息，偏好无知。
2023-10-11 cs.GT econ.TH stat.OT
Quantifying Theoretical AI Alignment Guarantees: Receiver-Utility Bounds in Bayesian Persuasion
Cornell University（康奈尔大学）
通过贝叶斯说服模型，研究AI发送者优化错位目标时，人类接收者仍能获得多少有用信息，证明接收者效用比不超过3/2，并给出紧性下界。
2026-06-23 cs.AI cs.GT cs.IT
Secure and Privacy-Preserving Federated Learning via Co-Utility
UNESCO Chair in Data Privacy（联合国教科文组织数据隐私教席）；CYBERCAT-Center for Cybersecurity Research of Catalonia（CYBERCAT-加泰罗尼亚网络安全研究中心）；Universitat Rovira i Virgili（罗维拉-威尔吉利大学）
联邦学习的分散性通常利用边缘设备的力量，使其容易受到隐私和安全攻击。对等体的隐私风险在于，她在其私有数据上计算的模型更新在发送到模型管理器时可能会泄漏这些私有数据上的信息。更明显的是安全攻击，其中一个或多个恶意对等点返回错误的模型更新，以破坏学习过程并导致学习错误的模型。在本文中，我们建立了一个联邦学习框架，提供隐私的参与同行以及对拜占庭和中毒攻击的安全性。我们的框架由几个协议，提供强大的隐私参与同行通过unabsolutely匿名和合理的可持续的基础上的共同效用属性。换句话说，没有理性的一方有兴趣偏离拟议的协议。我们利用共同效用的概念来构建一个分散的共同效用声誉管理系统，为各方遵守协议提供激励。与通过差分隐私的隐私保护不同，我们的方法保留了模型更新的值，因此保留了普通联邦学习的准确性;与通过更新聚合的隐私保护不同，我们的方法保留了检测坏模型更新的能力，同时与基于同态加密的方法相比，大大减少了计算开销。
2021-08-04 cs.CR cs.DC cs.GT
Asymmetry of Risk and Value of Information
冯·诺依曼和摩根斯坦理论假定，不确定性下的理性选择等价于期望效用最大化。由于概率测度空间的仿射结构，这种观点在数学上是吸引人的和自然的。另一方面，行为经济学家和心理学家已经证明，人类总是违反欧盟的假设，从厌恶风险的行为转向冒险行为。这种悖论导致了决策描述理论的发展，例如著名的前景理论，它使用了一个$S$形的价值函数，带有凹凸分支，解释了观察到的不对称性。虽然这些理论成功地模拟了人类行为，但它们似乎与欧盟假设背后的自然公理相矛盾。在这里，我们表明，所观察到的行为的不对称性可以解释，如果除了效用的结果，理性的代理人也值随机事件所传达的信息。我们回顾了信息论的经典价值及其推广的主要思想。然后，我们证明了信息的价值是一个$S$形的函数，它的不对称性不依赖于如何定义的信息的概念，但只遵循线性的期望效用。因此，不像许多描述性的和“非预期”的效用理论，放弃了线性（即“独立”公理），我们制定了一个严格的论点，冯诺依曼和Morgenstern理性的代理人应该是风险厌恶和冒险，如果他们不是漠不关心的信息。
2014-05-19 cs.GT cs.IT math.IT
