Incentive Design for Efficient Federated Learning in Mobile Networks: A Contract Theory Approach
Nanyang Technological University（南洋理工大学）；University of Electronic Science and Technology of China（电子科技大学）；Sungkyunkwan University（成均馆大学）
为了加强数据隐私和安全性，提出了作为新兴的机器学习技术的联邦学习，以实现大规模节点，例如，移动设备，以分布式训练和全球共享模型，而不泄露其本地数据。该技术不仅可以显著提高移动设备的隐私保护，而且还可以确保训练结果的整体性能良好。目前，已有的研究大多集中在优化联邦学习算法以提高模型训练性能。然而，激励移动设备加入模型训练的激励机制在很大程度上被忽视了。在联邦模型训练过程中，移动设备在计算和通信方面承受相当大的开销。如果没有设计良好的激励机制，自利的移动设备将不愿意加入联邦学习任务，这阻碍了联邦学习的采用。为了弥补这一差距，本文采用契约理论设计了一种有效的激励机制，以模拟高质量的移动设备（即，高精度）数据参与联邦学习。数值实验结果表明，该机制能有效地提高联邦学习的学习精度.
2019-10-24 cs.GT cs.LG cs.NI
Bet and Attack: Incentive Compatible Collaborative Attacks Using Smart Contracts
智能合约支持的区块链允许构建分散的应用程序，其中相互不信任的各方可以一起工作。最近，出现了oracle服务，为这些应用程序提供真实世界的数据馈送。不幸的是，这些功能已被用于所谓的犯罪智能合约下的恶意目的。一些作品探讨了这一黑暗面，并展示了各种各样的攻击。然而，他们都没有考虑对区块链生态系统之外的目标进行协作攻击。在本文中，我们弥合了这一差距，并引入了一个基于智能合约的框架，该框架允许赞助商在（伪）匿名攻击者之间策划协作攻击，并为此奖励他们。虽然之前的所有工作都需要一种技术来量化攻击者的个人贡献，但这对于现实世界的目标来说是不可行的，我们的框架避免了这一点。这是通过开发一种新的方案，通过打赌进行不信任的合作。也就是说，攻击者对事件下注（即，攻击发生）并且然后致力于使该事件发生（即，进行攻击）。以DDoS攻击为例，我们将攻击者之间的互动描述为一个博弈，并正式证明了这些攻击者在博弈的唯一均衡中的合作比例与他们的赌注成正比。我们还模型化了我们的框架及其作为激励机制的奖励函数，并证明了它是一个策略证明和平衡的。最后，我们进行数值模拟，以证明我们的框架的平衡行为。
2021-09-23 cs.CR cs.GT
Mitigating Information Asymmetry in Two-Stage Contracts with Non-Myopic Agents
本文研究委托人如何为非短视智能体设计两阶段合同激励函数以诱导真实行动，证明连续类型下仅常数型激励可行，离散类型下可用反应性函数，并提出惩罚跨阶段不一致行为的调整机制以增强激励设计灵活性。
2024-10-23 cs.GT cs.SY eess.SY
Profit Incentive In A Secondary Spectrum Market: A Contract Design Approach
在本文中，我们制定了一个合同设计的问题，一个主要的许可证持有人希望从其多余的频谱容量出售给潜在的二级用户/买家的利润。它需要确定如何对多余频谱进行最佳定价，以使其利润最大化，因为知道这种多余容量本质上是随机的，不具有排他性，并且不能向买方提供确定性的服务保证。同时，购买者属于不同的{ \em类型}，其特征在于不同的沟通需求、对渠道不确定性的容忍度等等，这些都是购买者的隐私信息。然后，许可证持有人必须设法设计不同的合同，以满足不同类型的买家，以最大限度地提高其利润。我们解决这个问题，通过采用作为参考的传统频谱市场，买方可以购买独家访问与固定/确定性的保证。我们充分表征的情况下，有一个单一的买家类型的最佳解决方案，当多种类型的买家共享相同的，已知的渠道条件作为主要用户活动的结果。在最一般的情况下，我们构建了一个算法，生成一组合同的计算效率的方式，并表明，这一套是最佳的买方类型时，满足单调性条件。
2012-07-27 cs.CE cs.GT
The Complexity of Contracts
我们开始研究计算（近）最优的合同，简洁地表示委托代理设置。在这里，最优性意味着在所有激励相容的合同中最大化委托人的预期收益--在经济学中被称为“次优”解决方案。我们还研究了一个自然放松约激励相容的合同。我们专注于简洁描述（和指数大）的结果空间的委托代理设置。我们表明，计算一个接近最优的合同的计算复杂性从根本上取决于代理人的行动的数量。对于设置一个常数数量的行动，我们提出了一个完全多项式时间近似计划（FPTAS）的分离预言的对偶问题的最小化的主要支付给代理，并使用此子程序来有效地计算一个增量激励兼容（delta-IC）合同的预期收益匹配或超过的最优IC合同。对于任意数量的动作，我们证明了这个问题很难在任何常数c内近似。这种不可近似性的结果甚至适用于delta-IC合约，其中delta是c的充分快速衰减函数。在积极的一面，我们表明，简单的线性增量-IC合同与常数增量足以实现一个常数因子近似的"第一最佳"（全福利提取）的解决方案，这样的合同可以计算在多项式时间。
2020-02-27 cs.DS cs.GT
Formal Contracts Mitigate Social Dilemmas in Multi-Agent RL
Massachusetts Institute of Technology（麻省理工学院）
针对多智能体强化学习中个体与群体激励分歧导致的次优行为问题，借鉴经济学正式合约思想提出马尔可夫博弈扩展框架，从理论上证明丰富合约空间可实现社会最优，并通过MOCA方法在多类场景验证了效果。
2024-01-29 cs.AI cs.GT cs.MA
Carpe Diem: Critical Learning Period-Aware Contract-Based Incentives for Federated Learning
School of Computer Science and Statistics, Trinity College Dublin, The University of Dublin（特里尼蒂学院计算机科学与统计学系，都柏林大学）；School of Electrical and Data Engineering, University of Technology Sydney（技术悉尼大学电气与数据工程系）
本文提出R3T框架，通过时间感知激励机制在联邦学习的关键学习期吸引高质量贡献，提升云服务器效用和经济效率。
2026-07-27 cs.AI cs.DC cs.GT
Preplay Losing Contracts: Inducing Strong Nash Equilibrium in the $n$-player Prisoner's Dilemma
University of Buenos Aires（布宜诺斯艾利斯大学）
本文提出失约合同机制，通过强制减少自身效用来诱导n人囚徒困境中的强纳什均衡，避免传统预演机制的支付成本，确保合作激励的持续性。
2026-04-24 cs.GT econ.TH
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
User Data Sharing Frameworks: A Blockchain-Based Incentive Solution
针对用户数据共享缺乏可验证追踪与激励的问题，提出基于区块链和智能合约的框架，实现本地存储、条件访问验证及来源记录，评估显示交易成本适中且响应快速。
2019-10-25 cs.CR cs.CY cs.DB
An Incentive-Compatible Mechanism for Decentralized Storage Network
少数大公司在存储市场的主导地位引发了各种担忧，包括单点故障，侵犯隐私和寡头垄断。为了消除对这种集中式存储架构的依赖，已经引入了几种分散式存储网络（DSN）方案，如Filecoin，Sia和Storj。DSN利用区块链技术创建存储平台，以便微型存储提供商也可以参与存储市场。为了验证存储提供商在存储合同期间的准确数据存储，DSN应用存储证明（PoS）方案来持续检查存储服务。然而，对存储提供商的持续验证给网络以及最终用户带来了额外的成本。此外，DSN的PoS验证容易受到服务拒绝攻击，其中存储提供商向网络提交有效的PoS，同时拒绝向客户端提供服务。考虑到DSN的优点和存在的挑战，本文提出了一种新的激励兼容的DSN方案。在该方案中，只有当客户提交质询请求时，才进行PoS。我们将存储服务建模为一个重复的动态博弈，并设置玩家的收益，使得存储提供商的主导策略是诚实地遵守存储合同。我们提出的机制利用智能合约和Oracle网络来有效地管理客户端和存储提供商之间的存储协议。此外，我们的方案独立于特定的区块链平台，但可以插入任何具有智能合约执行能力的区块链平台。作为概念证明，我们使用Solidity语言和Chainlink Oracle网络实现了我们的方案。性能分析表明，我们的计划的适用性。
2022-08-21 cs.CR cs.GT cs.NI
Deep Incentive Design with Differentiable Equilibrium Blocks
本文提出基于可微均衡块的深度激励设计框架，通过统一管道和DEB训练神经网络，解决多智能体交互中的激励设计问题，涵盖合同设计、机器调度和逆向均衡等任务。
2026-03-12 cs.GT cs.LG
A Game Theoretic Analysis of Validator Strategies in Ethereum 2.0
本文通过贝叶斯博弈模型分析以太坊 2.0 单 slot 中区块提议者与见证者的策略，证明其激励机制激励相容并存在贝叶斯纳什均衡和事前占优策略，从而验证了协议对验证者合作的促进作用。
2024-05-07 cs.GT
Cross Chain Bribery Contracts: Majority vs Mighty Minority
本文提出区块链系统面临的跨链智能合约贿赂新威胁，构建分析框架测算贿赂理性矿工的激励与攻击总成本，证实合理资金即可发动此类攻击。
2023-06-08 cs.CR cs.GT
An Incentive-Compatible Reward Sharing Mechanism for Mitigating Mirroring Attacks in Decentralized Data-Feed Systems
本文分析了去中心化数据馈送系统中的镜像攻击问题，提出一种激励兼容的奖励共享机制，通过证明纳什均衡确保每用户仅运行一个预言机，有效抑制Sybil行为并提升系统可靠性。
2025-09-14 cs.ET cs.GT cs.IR
A Composable Game-Theoretic Framework for Blockchains
TU Wien（维也纳工业大学）
本文提出首个区块链协议的可组合博弈论框架，通过跨层博弈和跨应用组合抽象，分析激励兼容性并揭示新的安全漏洞。
2026-04-07 cs.CE cs.GT
