The Long Arm of Nashian Allocation in Online $p$-Mean Welfare Maximization
针对Barman等提出的可分物品在线分配给$n$个可加估值智能体的$p$-均值福利最大化问题,刻画$-\infty \le p \le 1$最优竞争比,提出基于纳什福利贪心算法的改进算法,为纳什福利至平等主义福利实现近最优竞争比。
2025-04-18 cs.DS cs.GT
Revenue vs. Welfare: A Comprehensive Analysis of Strategic Trade-offs in Online Food Delivery Systems
本文通过静态与动态模型及多智能体模拟,分析在线外卖平台中短期GMV与长期社会福利的权衡,发现以社会福利为导向的策略更可持续,为平台和政策制定者提供平衡增长的见解。
2025-02-13 cs.CY cs.GT
Welfare Maximization with Production Costs: A Primal Dual Approach
我们研究了Blum等人提出的具有生产成本的在线组合拍卖。在这个模型中,买家到达网上,卖家可以生产每个项目的多个副本,但每个副本的边际成本不递减。目标是分配物品以使社会福利最大化,减少总生产成本。对于任意(严格凸和可微)的生产成本函数,我们的特点是实现在线机制/算法的最佳竞争比。我们发现,在线发布的定价机制,这是激励兼容,可以实现竞争力的比例任意接近最优,并构建下界的情况下,没有在线算法,不一定激励兼容,可以做得更好。我们的积极结果改善或匹配的结果在几个以前的工作,例如,Bartal等人,Blum等人,布赫宾德和葛南我们的下界适用于随机算法和解决一个开放的问题Buchbinder和Gonen。
2014-11-17 cs.DS cs.GT
Prophet Inequalities Beyond Utilitarian Social Welfare
Google Research(谷歌研究院);Purdue University(普渡大学)
本文研究公平分配中广义p-均值福利下的先知不等式,证明多物品问题可由单物品先知问题刻画,并给出平等福利的最优比率Γ≈0.7059,表明优化平等福利仅比功利福利损失约4个百分点。
2026-09-23 cs.GT
Fair and Efficient Online Allocations with Normalized Valuations
一组可分割的资源在一系列回合中变得可用,需要立即和可分配。我们的目标是分配这些资源,以最大限度地提高公平和效率。在对抗性的环境中实现任何重要的保证是不可能的。然而,我们表明,正常化的代理价值观,一个非常常见的假设,在公平的分工,让我们逃避这种不可能性。我们的主要结果是一个在线算法的情况下,两个代理,确保结果是羡慕免费的,同时保证91.6%的最佳社会福利。我们还表明,这是接近最优的:没有羡慕免费的算法,保证超过93.3%的最优社会福利。
2020-09-25 cs.GT
An Improved Welfare Guarantee for First Price Auctions
本文证明了在Bayes-纳什均衡中第一价格拍卖的福利至少是最优机制福利的一个$.743$ -分数,假设代理人的价值是独立分布的。之前的最佳界限是$1-1/e \approx .63$,由Syrgkanis和Tardos(2013)使用平滑性推导出来,平滑性是推理均衡博弈福利的标准技术。在最糟糕的例子中(来自Hartline et al.(2014)),第一价格拍卖实现了最优福利的$\approx .869$ -分数,远远好于理论保证。尽管存在较大的缺口,但尚不清楚$1-1/e \approx .63$结合是否紧密。我们证明它不是。我们的分析避开了平滑性,而是使用对代理人价值分布的独立性假设,以更仔细地计算那些尽管没有最高价值但仍获胜的代理人的福利贡献。
2018-03-18 cs.GT
Platform Equilibrium: Analayzing Social Welfare in Online Market Places
该研究提出在线市场平台均衡理论模型,分析卖家加入平台的决策权衡,证明同质商品市场纯均衡存在且可多项式求解,推导无监管及费率监管下的福利近似比,结果可拓展至多类市场场景。
2024-06-20 cs.GT
Online Allocation with Multi-Class Arrivals: Group Fairness vs Individual Welfare
本文研究多类别在线资源分配中的群体公平问题,提出两种基于阈值的在线算法并证明其最优性,同时揭示群体公平与个体福利的权衡,设计预留多阈值算法实现帕累托最优,并在网络缓存等真实场景中验证。
2025-01-27 cs.DS cs.GT
Welfare Guarantees in Schelling Segregation
谢林的模型是一个有影响力的模型,它揭示了个人的看法和动机如何导致居住隔离。最近的工作流的启发,我们研究福利保障和复杂性,在这个模型中的几个福利措施。首先,我们表明,虽然最大限度地提高社会福利是NP-难的,计算分配的代理的任何拓扑图的节点的最大福利的一半左右,可以在多项式时间。然后,我们考虑帕累托最优性,介绍了两个新的最优性概念的基础上,并建立最严格的界限上的最坏情况下的福利损失的分配满足这些概念,以及计算这种分配的复杂性。此外,我们表明,树拓扑结构,它是可能的,以决定是否存在一个分配,使每个代理一个积极的效用在多项式时间;此外,当拓扑结构中的每个节点的程度至少$2$,这样的分配总是存在的,可以有效地找到。
2022-03-18 cs.GT
Welfare Loss in Connected Resource Allocation
Nanyang Technological University(南洋理工大学);Hong Kong Polytechnic University(香港理工大学);University of New South Wales(新南威尔士大学);National University of Singapore(新加坡国立大学)
研究连接资源分配中的福利损失,提出平等和功利连接价格概念,并为不同图结构给出连接价格的界限。
2026-01-14 cs.DM cs.GT
Online Generalized-Mean Welfare Maximization: Achieving Near-Optimal Regret from Samples
Columbia University(哥伦比亚大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种在线广义均值福利最大化算法,在无需分布知识的情况下实现近最优的遗憾率,通过重新求解范式应对非平稳性和分布偏移。
2026-10-02 cs.GT cs.LG math.OC
Decomposing Truthful and Competitive Online Double Auctions
在本文中,我们研究在线双向拍卖,多个卖方和多个买方到达和离开动态交换一种商品。我们发现,没有确定性的在线双向拍卖,是真实的和竞争的社会福利最大化的对抗模型。然而,给定卖方是耐心的并且需求不超过供给的先验信息,确定性和真实的贪婪机制实际上是2-竞争的,即它保证其分配的社会福利至少是离线可实现的最优福利的一半。此外,如果进入的买家的数量是可预测的,我们证明了一个在线双向拍卖可以减少到一个在线单边拍卖,减少在线双向拍卖的真实性和竞争力遵循的在线单边拍卖。值得注意的是,通过使用减少,我们发现一个真实的机制,几乎是1-竞争,当买家随机到达。最后,我们认为,这些机制也有一个有前途的适用性在更一般的设置,而不假设卖方是耐心的,通过分解成多个子市场的市场。
2013-11-01 cs.GT
Most Competitive Mechanisms in Online Fair Division
本文结合了在线算法的两个关键因素-竞争分析(如竞争比)和建议的复杂性(如需要提高在线决策的建议位数)-在一个简单的在线公平划分模型的情况下,项目一个接一个地到达,并通过某种机制分配给代理。我们考虑四个这样的在线机制:流行的排名匹配机制,适应在线二分匹配等,平衡喜欢和最大喜欢的分配机制,首先介绍了在线公平划分问题。我们的第一个贡献是,我们执行这些机制的预期规模的匹配,功利主义的福利和平等主义的福利竞争分析。我们还假设,一个预言机可以给一些建议位的机制。我们的第二个贡献是给几个不可能的结果,例如,没有机制可以实现平等主义的最佳离线机制的结果,假设他们收到部分意见,从神谕。我们的第三个贡献是,我们量化了这四种机制的竞争性能w.r.t.他们可以发出的Oracle请求的数量。因此,我们提出了一个最有竞争力的机制,为每个目标。
2020-06-29 cs.GT
Online Nash Social Welfare Maximization with Predictions
我们考虑的问题分配一组可分割的商品$N$代理在网上的方式,旨在最大限度地提高纳什社会福利,一个广泛研究的目标,它提供了一个公平和效率之间的平衡。货物按$T$周期的顺序到达,货物到达时,每个代理人的价值是对立的。我们首先观察到,没有在线算法可以实现比平凡的$O(N)$更好的竞争比,除非它被赋予有关代理的值的额外信息。然后,根据“预测算法”的新兴领域,我们考虑一种设置,其中对于每个代理,在线算法仅给出其垄断者效用的预测,即,她的效用,如果所有的商品都给了她一个人(对应于她在$T$期间的价值总和)。我们的主要结果是一个在线算法,其竞争比参数化的乘法误差在这些预测。如果预测完全准确,则该算法实现$O(\log N)$和$O(\log T)$的竞争比。此外,竞争比随着预测误差的平滑下降,并且令人惊讶地稳健:即使预测非常不准确,对数竞争比也保持不变。我们补充这一积极的结果表明,我们的边界基本上是紧的:没有在线算法,即使提供了完全准确的预测,可以实现竞争比的$O(\log^{1-ε} N)$或$O(\log^{1-ε} T)$为任何常数$ε>0$。
2021-08-03 cs.DS cs.GT math.OC
Approximating Nash Social Welfare under Binary XOS and Binary Subadditive Valuations
我们研究的问题,分配不可分割的商品在代理商之间的公平和经济有效的方式。在这种情况下,纳什社会福利(定义为代理人对其分配捆绑包的估值的几何平均值)是量化分配公平程度的基本衡量标准。专注于代理人的估值有二进制边际的情况下,我们开发了基本上严格的结果(近似)最大化纳什社会福利下两个最一般的类互补自由估值,即,在二进制XOS和二进制次加赋值下。对于二进制XOS估值,我们开发了一个多项式时间算法,找到一个常数因子(特别是$288$)近似的最佳纳什社会福利,在标准的价值预言模型。该算法计算的分配也实现了社会福利的常数因子近似和分组最小份额保证。这些结果意味着,在二进制XOS值的情况下,必然存在一个分配,同时满足多个(近似)公平和效率的标准。我们通过证明纳什社会福利最大化在二进制XOS估值下是APX困难的来补充算法结果。此外,这项工作建立了一个有趣的二进制XOS和二进制次加性设置之间的分离。特别是,我们证明了指数数量的值查询是必要的,以获得即使是一个次线性近似的纳什社会福利下二进制次加性估值。
2021-10-26 cs.GT
Improved Social Welfare Bounds for GSP at Equilibrium
广义第二价格拍卖是赞助搜索广告销售的主要方法。我们研究了这种拍卖的性能在各种均衡的概念。特别是,我们证明了无政府状态的贝叶斯价格是最多$2(1-1/e)^{-1} \approx 3.16$,显着改善以前已知的界限。我们的技术直观简单,并以多种方式扩展。首先,我们的研究结果扩展到一个约束的GSP的性能在粗糙的相关均衡,它捕获(例如)一个重复拍卖的设置中,代理应用后悔最小化投标策略。此外,我们的分析是强大的拜占庭代理人不能被假定为理性参与的存在。此外,我们提出了严格的界限为社会福利在纯NE的特殊情况下的拍卖3插槽,并讨论了潜在的方法,将这种分析扩展到任意数量的插槽。
2010-11-14 cs.GT
Auctions with Online Supply
我们研究的问题,销售相同的商品,以n个单位需求投标人在设置中的总供应量的商品是未知的机制。物品是动态到达的,卖家必须以最大化社会福利为目标在线做出分配和支付决定。我们考虑两个模型的未知供应:对抗性供应模型,其中的机制必须产生福利保证任何任意的供应,和随机供应模型,其中的供应是从一个已知的分布机制,和机制只需要提供一个福利保证的期望。我们的主要结果是这两个模型之间的分离。我们表明,所有的真实机制,即使是随机的,实现了最佳社会福利的一个递减的分数(即,没有比欧米茄(loglog n)近似)在对抗设置。与此形成鲜明对比的是,在随机模型中,在标准的单调风险率条件下,我们提出了一个真实的机制,实现了恒定的近似。我们表明,单调风险率条件是必要的,也刻画了一个自然子类的真实机制,在我们的设置,在线嫉妒自由机制。我们提出的所有机制都属于这一类,我们证明了这种机制几乎是最优的下界。由于拍卖与未知的供应经常运行在许多在线广告设置,我们的主要研究结果强调了在这样的环境中的拍卖设计中考虑分布信息的重要性。
2009-05-21 cs.DS cs.GT
On Optimal Tradeoffs between EFX and Nash Welfare
本文研究不可分割资源公平分配中 EFX 公平性与纳什福利效率之间的最优权衡,证明在可加和次可加估值下 $α$-EFX 与 $\frac{1}{α+1}$-MNW 的紧权衡关系,并给出可转化为完全分配的条件。
2024-01-14 cs.GT
Tractable Fragments of the Maximum Nash Welfare Problem
本文研究了将不可分割的商品分配给非对称代理人的纳什福利最大化问题。分配的纳什福利是代理效用的加权几何平均值,并且已知具有最大纳什福利的分配满足几个期望的公平和效率性质。然而,计算这样的MNW分配是NP难的,即使是两个代理相同的,添加剂的估值。因此,我们的目标是确定易处理的类,要么承认PTAS,FPTAS,或一个确切的多项式时间算法。为此,我们设计了一个PTAS找到一个MNW分配的情况下,不对称代理相同,添加剂的估值,从而推广了类似的结果对称代理。我们的技术也可以适用于给PTAS计算最佳的$p$ -平均福利的问题。我们还表明,MNW分配可以精确地计算在多项式时间内相同的代理商与$k$ -ary估值时,$k$是一个常数,其中每个代理商有最多$k$不同的价值的商品。接下来,我们考虑的特殊情况下,每个代理发现最多两个商品有价值的,并表明,这类承认一个有效的算法,即使是一般的单调估值。相比之下,我们注意到,当代理人可以评估三个或更多的商品,最大化纳什福利是NP难的,即使代理人是对称的,并有附加的估值,显示我们的算法结果是本质上紧。最后,我们表明,不断有许多不对称的代理商与添加剂的估值,MNW问题承认一个FPTAS。
2022-04-28 cs.GT
The (Exact) Price of Cardinality for Indivisible Goods: A Parametric Perspective
本文提出基数代价概念,从参数化视角精确刻画不可分物品公平分配中基数约束对社会福利的最坏情况乘性损失,并推广到多类别约束,为决策者选择公平水平提供理论框架。
2025-01-03 cs.GT
Combinatorial Auctions with Online XOS Bidders
在组合拍卖中,设计者必须决定如何在一组投标人中分配一组不可分割的物品。每个投标人都有一个估价函数,它给出了他们从任何项目子集中获得的效用。我们的重点是福利最大化,其目标是最大化投标人对他们分配的项目的估值总和(估值函数被假设为真实报告)。我们分析了一个在线的问题,其中的算法是不事先给定的投标人的集合。相反,投标人是以一个统一的随机顺序依次显示的,类似于秘书问题。算法必须在下一个出价人出现之前,就将哪些物品分配给当前出价人做出不可撤销的决定。当赋值函数位于类$XOS$(其中包括子模函数)中时,我们提供了从离线到在线优化的黑盒约简。具体而言,给定离线福利最大化的$α$ -近似算法,我们展示了如何创建一个$(0.199 α)$ -近似算法的在线问题。我们的算法借鉴了秘书问题的连接,事实上,我们表明,在线福利最大化问题本身可以被看作是一种特殊的秘书问题与非均匀的到达顺序。
2017-03-29 cs.DS cs.GT
Individual Welfare Guarantees in the Autobidding World with Machine-learned Advice
该研究针对自动竞价场景下总福利提升可能损害个体竞价者福利的问题,分析了有无机器学习建议时的个体福利损失,提出将机器学习建议设为个性化保留价的VCG拍卖机制,给出个体福利下界并证明其最优性,还将结果拓展至GFP和GSP拍卖。
2023-06-14 cs.GT
Welfare and Beyond in Multi-Agent Contracts
研究多智能体合约设计中超越委托人效用的社会福利最大化问题,揭示了至多XOS函数下福利-效用差距为常数比例,并开发了多项式时间算法直接优化福利,扩展至一般可行性约束。
2025-04-26 cs.GT
Welfare and Revenue Guarantees for Competitive Bundling Equilibrium
研究了具有$m$异质不可分商品和具有组合偏好的$n$消费者的市场均衡。众所周知,当估值不是总替代品时,竞争均衡并不能保证存在。由于捆绑在现实生活中的市场中的广泛使用,我们研究它作为一个稳定和协调设备的作用,考虑的概念\emph{competitive bundling equilibrium}:一个竞争均衡的市场分割成固定的捆绑销售的商品。与其他涉及捆绑的均衡概念相比,这个概念具有同时简洁($O(m)$价格)和市场出清的优点。我们的第一组结果涉及福利保障。我们表明,在市场中,消费者只关心他们收到的商品数量(称为多单元或同质市场),即使存在互补性,总是存在一个竞争性捆绑均衡,保证对数分数的最优福利,这种保证是紧的。我们还建立了一般市场,两个消费者的市场,和市场的消费者的估值是添加到一个固定的预算(非可加性)的非平凡的福利保证。我们的第二组结果涉及收入保障。出于这样一个事实,即在一个标准的竞争性均衡中提取的收入可能是零(即使是简单的单位需求的消费者),我们表明,对于总替代品估值的自然子类,总是存在一个竞争性捆绑均衡,提取对数分数的最佳福利,这种保证是紧的。因此,竞争性捆绑均衡的概念甚至在具有标准竞争均衡的市场中也是有用的。
2014-06-03 cs.DS cs.GT
Optimal Type-Dependent Liquid Welfare Guarantees for Autobidding Agents with Budgets
针对带预算和ROI约束的异构自动竞价智能体,提出类型相关平滑性框架与归约技术,推导出首价拍卖中粗相关均衡流动福利无政府价格的紧致界限,并揭示了依赖智能体类型的阈值现象。
2025-09-18 cs.GT
Maximizing social welfare among EF1 allocations at the presence of two types of agents
研究将不可分割物品公平分配给两类效用函数智能体以最大化EF1分配的社会福利,提出了改进的常数比近似算法,并在特定情况下证明了其紧致性。
2025-09-11 cs.DS cs.GT
When Maximum Nash Welfare Becomes Strongly Fair: Bi-valued Goods
University of Macau(澳门大学);Nanyang Technological University(南洋理工大学)
本文研究双值商品公平分配中最大纳什福利的近似保证,刻画其在EFX、PMMS和GMMS下的紧界,并证明三值实例中公平性显著恶化,确立强公平的边界。
2026-10-02 cs.GT
Welfare and Profit Maximization with Production Costs
组合拍卖是市场机制设计中的一个核心问题:为具有复杂偏好的买家定价和分配商品,以最大化某些期望目标(例如,社会福利、收入或利润)。在有限供应的情况下(每件商品一份),以及在数字商品的情况下(卖方可以免费生产额外的副本),这个问题已经得到了很好的研究。然而,在资源的情况下-石油,劳动力,计算周期等-这两种抽象都不是正确的:可以找到这些资源的额外供应,但随着资源的耗尽,难度(边际成本)越来越大。在这项工作中,我们开始研究的算法机制设计问题的边际成本递增的组合定价。我们的目标是出售这些商品给买家未知的和任意的组合估值函数,以最大限度地提高社会福利,或卖方的利润,特别是我们专注于设置\emph{posted item prices}与买家到达网上。我们给出的算法,实现{ \em常数因子}近似的一类自然成本函数-线性,低次多项式,对数-并给出对数近似更一般的边际成本函数(随着必要的附加损失)。我们表明,这些界限基本上是最好的可能,这些设置。
2011-10-22 cs.GT
Pricing for Online Resource Allocation: Intervals and Paths
我们提出了几个在线资源分配问题,获得紧或接近紧近似社会福利的定价机制。在我们的设置中,买家在线购买捆绑的商品;买家的捆绑价值来自已知的分布。这个问题与Krengel和Sucheston的所谓预言不等式及其在最近文献中的推广密切相关。受云经济应用的启发,我们考虑两种买家偏好。在第一种情况下,项目对应于资源可用的不同时间单位;项目按总顺序排列,买家希望项目间隔。第二个对应于树型网络上的带宽分配;项目是网络中的边和买家期望的路径。由于购买者的偏好在我们考虑的环境中具有互补性,因此最近通过物品价格进行的恒定因子近似不适用,并且确实存在强烈的负面结果。我们开发静态的、匿名的捆绑定价机制。对于区间偏好设置,我们表明,静态的,匿名的捆绑定价实现了sublogarithmic的竞争比,这是最佳的(在恒定的因素)在类的所有在线分配算法,真实与否。对于路径偏好设置,我们得到了一个接近紧密的对数竞争比。这两个结果都显示出这些设置的物品定价的指数改善。我们的研究结果扩展到设置卖方有多个副本的每一个项目,随着供应的竞争比线性下降。供给和福利竞争比率之间的这种逐渐权衡,以前只在单一项目预言者不平等中被人所知。
2018-07-13 cs.GT
Online Block Packing and Multidimensional EIP-1559
Hebrew University of Jerusalem(耶路撒冷希伯来大学)
针对具有多维区块约束和准耐心投标者的区块链在线算法挑战,提出了小交易或小维度下的在线近似算法,并研究了EIP-1559的多维变体,证明近似优化每区块福利可接近全局最优,但EIP-1559本身无法保证良好近似。
2026-06-23 cs.DS cs.GT
Welfare Distribution in Two-sided Random Matching Markets
研究了双边随机匹配市场中的福利结构。在该模型中,每个代理人都有一个潜在的个人得分,每个代理人在市场的另一边,她的偏好遵循基于这些得分的logit模型。在连续条件下,我们提供了一个严格的描述稳定的结果。首先,我们确定一个内在的适合每个代理,代表她在市场上的相对竞争力,独立的实现稳定的结果。内在适应度值对应于使潜在互矩阵双随机所需的缩放系数,其中潜在分数可以被解释为配对被匹配的先验概率。第二,在每一个稳定(甚至近似稳定)的匹配中,市场每一边的福利或代理人的排名,当按其内在适应度进行缩放时,具有近似指数的经验分布。此外,市场一侧的代理人的平均福利足以决定另一侧的平均福利。总的来说,每个代理的福利是由一个全局参数,她的内在健身,和一个外在的因素与指数分布在人口。
2023-02-16 cs.GT econ.TH
Budget-feasible Maximum Nash Social Welfare Allocation is Almost Envy-free
纳什社会福利(NSW)是一种平衡个体效用与整体效率的著名社会福利度量方法。在公平分配不可分割商品的背景下,Caragiannis等人(EC 2016和TEAC 2019)已经表明,最大化新南威尔士州的分配在一种商品(EF 1)中是无嫉妒的。在本文中,我们感兴趣的公平性的新南威尔士州在一个不可行的分配问题,其中每个项目都有一个成本,将产生的代理,它被分配给,每个代理有一个预算约束的项目,她收到的总成本。我们表明,一个不可行的分配,最大化NSW实现了1/4近似EF 1和近似比是紧的。当物品的成本与代理人的预算相比很小时,近似比会优雅地提高;当成本比接近无穷大时,近似比会收敛到1/2。
2020-12-07 cs.GT cs.MA
Stability in Online Assignment Games
IRIT, Université Toulouse Capitole(图卢兹第一大学 IRIT)
本文研究了在线分配游戏中随机算法的稳定性,通过引入两种不稳定性度量标准,分析了次优匹配对稳定性的影响。
2026-02-20 cs.GT
Online Fair Allocations with Binary Valuations and Beyond
本文研究在线公平分配问题,针对物品和杂务,在加性二元及个性化双值估值下,证明了满足EF1和MMS且最大化USW的分配存在,并通过反例表明结果接近最优。
2025-09-09 cs.GT
EF1-Constrained Nash Social Welfare with Identical Additive Valuations: Complexity, Guarantees, and Experiments
National Taiwan Ocean University(国立台湾海洋大学);National Yang Ming Chiao Tung University(国立阳明交通大学)
针对相同加性估值下的商品分配,研究EF1约束下的纳什社会福利,提出深度强化学习框架PriorityNet,通过前瞻性动作掩码保证前缀级EF1,实验显示高福利性能。
2026-09-15 cs.GT cs.LG
On Simultaneous Two-player Combinatorial Auctions
我们考虑下面的通信问题:Alice和Bob每个人都有一些$v_1(\cdot)$和$v_2(\cdot)$的$m$项目的子集上的估值函数,他们的目标是以最大化福利的方式将项目划分为$S, \bar{S}$,$v_1(S) + v_2(\bar{S})$。我们研究的分配问题,这要求福利最大化分区和决策问题,这要求是否存在一个分区,保证一定的福利,二进制XOS估值。对于具有$poly(m)$通信的交互式协议,对于两个[Fei 06,DS 06]都已知紧密的3/4近似。对于交互式协议,分配问题可证明比决策问题更难:分配问题的任何解决方案都意味着决策问题的解决方案具有一个额外的回合和$\log m$额外的通信位通过平凡的减少。令人惊讶的是,分配问题是可证明的并发协议更容易。具体而言,我们显示:1)存在具有多项式通信的同时随机化协议,其选择其预期福利至少是最优的PDMATHAMT的分区。这与多项式通信的最佳交互式随机协议的保证相匹配。2)对于所有$\varepsilon > 0$,以概率$> 1/2 + 1/ poly(m)$正确地决定最优划分的福利是$\geq 1$还是$\leq 3/4 - 1/108+\varepsilon$的任何同时随机化协议需要指数通信。这提供了通过具有多项式通信的交互式($3/4$)与同时($\leq 3/4-1/108$)协议的可获得近似保证之间的分离。换句话说…
2017-04-11 cs.GT
The Fairness of Maximum Nash Social Welfare Under Matroid Constraints and Beyond
本文研究拟阵及推广约束下物品公平分配,证明Max-NSW分配达到紧1/2-EF1并具帕累托最优,解决开放问题,并给出二值及p-可扩展情形下的近似保证。
2024-11-06 cs.GT
Approximability Landscape of Welfare Maximization within Fair Allocations
本文从计算复杂度视角研究公平分配下的福利最大化问题,在EFX和EF1约束下为不同智能体数量与估值类型设计了近似算法并给出了紧致不可近似性边界,同时确定了EFX的公平代价。
2025-05-31 cs.GT
The Price of Equity with Binary Valuations and Few Agent Types
本文研究二元加法估值下 EQ1 的公平代价,利用智能体类型数量为所有 $p\leqslant1$ 的广义 $p$-均值福利给出常数因子紧界,并将结构理解扩展到二元子模估值。
2023-07-13 cs.GT
The Welfare Gap of Strategic Storage: Universal Bounds and Price Non-Linearity
Aarhus University(奥胡斯大学)
本文研究电力市场中电池储能操作的效率,比较中央计划者与分散利润最大化运营商的福利增益差异,证明线性价格函数下效率损失上限为4/3,并分析价格函数凸性对市场效率的影响。
2026-07-03 cs.GT econ.TH
Fairness and Welfare Quantification for Regret in Multi-Armed Bandits
Indian Institute of Science(印度科学学院);Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校)
我们从福利主义的角度扩展了遗憾的概念。针对经典的多臂强盗(MAB)框架,通过引入一个基本的福利函数,即Nash社会福利(NSW)函数来量化强盗算法的性能.这相当于将算法的性能等同于其预期回报的几何平均值,并导致我们研究纳什遗憾,定义为-先验未知-最佳平均值(武器之间)和算法的性能之间的差异。由于新南威尔士州是已知的,以满足公平公理,我们的方法补充了平均(累积)后悔的功利考虑,其中该算法通过其预期奖励的算术平均值进行评估。这项工作开发了一个算法,给定的地平线上玩$T$,实现了纳什遗憾$O \left( \sqrt{\frac{k \log T}{T}} \right)$,这里$k$表示的武器在MAB实例的数量。因为对于任何算法,纳什后悔至少和平均后悔一样多(AM-GM不等式),所以已知的平均后悔下限也适用于纳什后悔。因此,我们的纳什遗憾保证基本上是紧的。此外,我们开发了一个任何时间算法的纳什遗憾保证$O \left( \sqrt{\frac{k\log T}{T}} \log T \right)$。
2022-05-27 cs.GT cs.LG
Approximating Competitive Equilibrium by Nash Welfare
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Shanghai University of Finance and Economics(上海财经大学);University of Bonn(波恩大学);Corvinus University(科维努斯大学)
研究了在可分商品分配中竞争均衡与纳什福利最大化之间的关系,针对非均质效用函数,提出Gale替代效用函数概念,并证明纳什福利最大化分配能提供强近似竞争均衡保障。
2026-03-17 cs.GT math.OC
Worst-Case Welfare of Item Pricing in the Tollbooth Problem
我们研究了\emph{tollbooth problem}中物品定价的最坏情况福利。该问题首先由Guruswami等人提出,并且是组合拍卖的一种特殊情况,其中(i)拍卖中的每个$m$物品是某个底层图的边;以及(ii)每个$n$购买者都是一心一意的,只对购买单一路径的所有边感兴趣。当到达的购买者的顺序是对抗性的时,所有物品定价机制中的情况福利。我们假设购买者拥有\emph{tie-breaking}权力,即他们可以选择是否购买效用为0的需求路径。我们证明了一个紧的竞争比$3/2$时,底层图是一个单一的路径(也被称为\emph{highway}问题),而项目定价可以实现后见之明的最优,如果卖方被允许选择一个适当的平局打破规则,以最大限度地提高福利。此外,我们证明了一个$O(1)$上界的竞争比时,底层图是一棵树。对于一般的图,我们证明了竞争比的一个$Ω(m^{1/8})$下界。我们表明,一个$m^{Ω(1)}$竞争比是不可避免的,即使该图是一个网格,或如果每一个边缘的容量增加了一个常数因子$c$。即使卖方有打破平局的能力,结果也是成立的。
2022-07-08 cs.DM cs.DS cs.GT
A General Framework for Learning-Augmented Online Allocation
本文提出一个通用的学习增强在线分配框架,仅用每个智能体一个学习参数即可为多种极大化和极小化目标获得近似最优解,并改进和首次给出了多个具体问题的学习增强算法。
2023-05-30 cs.DS cs.GT
Optimal Welfare in Noncooperative Network Formation under Attack
本文针对受攻击的非合作网络形成场景,重新审视Goyal等人2016年提出的博弈论模型,改进了自利智能体构建网络的鲁棒性紧界,证明其受攻击后仍保持渐近最优福利,解决了公开问题并得出反直觉的攻击效果结论。
2025-11-13 cs.AI cs.GT
Contextual Games: Multi-Agent Learning with Side Information
ETH Zürich(苏黎世联邦理工学院)
我们制定了新的类上下文游戏,一种类型的重复游戏驱动的上下文信息在每一轮。通过基于核的规律性假设,我们模拟不同的上下文和游戏结果之间的相关性,并提出了一种新的在线(Meta)算法,利用这种相关性,以尽量减少个别球员的上下文遗憾。我们定义了这类新游戏的上下文粗相关均衡(c-CCE)和最佳上下文福利的博弈论概念,并表明每当玩家的上下文遗憾消失时,c-CCE和最佳福利都可以接近。最后,我们经验验证我们的结果在交通路由实验中,我们的算法导致更好的性能和更高的福利相比,基线不利用可用的上下文信息或相关性存在于游戏中。
2021-07-13 cs.GT cs.LG
Easier, but Not Easy: Nash Welfare under Lexicographic Valuations
Quantbox Research;IIT Delhi(印度理工学院德里分校)
本文针对字典序估值下的纳什福利最大化问题,提出了更优的近似算法与精确多项式框架,同时证明该问题仍存在显著计算难度,并非易事。
2026-08-26 cs.DS cs.GT
Fair Online Resource Allocation
Columbia University, IEOR Department(哥伦比亚大学工业工程与运营研究系);Cornell Tech(康奈尔科技学院);Universidad de Chile(智利大学)
研究在线资源分配中的公平性问题,提出基于对偶镜像下降的算法,在批次内强制执行公平约束,实现亚线性遗憾,并通过难民数据验证了福利与公平的权衡。
2026-06-19 cs.DS cs.GT cs.LG
Tight Efficiency Bounds for the Probabilistic Serial and Related Mechanisms
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Shanghai University of Finance and Economics(上海财经大学);University of Bonn(波恩大学)
本文研究了概率序列机制及其相关机制在基数偏好下的效率界限,证明了其在帕累托效率上的近似保证,并提出了计算公平且高效分配的多项式时间算法。
2026-02-12 cs.GT econ.TH
Stability in Online Coalition Formation
本文研究在线联盟形成问题,在可加可分快乐博弈中刻画了基于个体和群体偏离的稳定性概念的算法可行性边界,给出确定性与随机化算法的二分结果。
2025-03-10 cs.DS cs.GT
Truth and Regret in Online Scheduling
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Microsoft Research(微软研究院);Cornell University(康奈尔大学)
我们考虑一个调度问题,云服务提供商有多个单位的资源随着时间的推移。自私的客户端提交作业,每个作业都有到达时间、截止日期、长度和价值。服务提供商的目标是实现一个真实的在线机制调度作业,以最大限度地提高社会福利的时间表。最近的工作表明,在随机假设下,就业到达,有一个单参数家庭的机制,实现接近最优的社会福利。我们表明,任何这样的家庭接近最优的在线机制,存在一个在线机制,在最坏的情况下,执行以及最好的给定的机制。我们的机制是真实的,只要在给定的家庭中的机制是真实的和及时的,并实现最佳(在恒定因素)的遗憾。我们模拟的问题,对一个家庭的在线调度机制的学习专家的意见。一个主要的挑战是,我们所做的任何调度决策不仅会影响当前步骤的收益,还会影响未来步骤的资源可用性和收益。此外,从一个算法(a.k.a.专家)到另一个算法是具有挑战性的,因为它需要与后者算法的状态同步,也因为它影响算法的激励结构。我们进一步展示了如何适应我们的算法,以非千里眼设置工作长度是未知的,直到工作运行完成。再一次,在这种情况下,我们获得了真实性以及渐进最优的遗憾(在多对数因子内)。
2017-03-01 cs.AI cs.DS cs.GT
Edge-Weighted Online Bipartite Matching
本文研究边加权在线二分匹配问题,提出首个打破长期存在的1/2竞争比障碍的在线算法,实现至少0.5086的竞争比,其核心技术为在线相关选择(OCS)子程序。
2020-05-05 cs.DS cs.GT
Decentralized Optimal Equilibrium Learning in Stochastic Games via Single-bit Feedback
Bilkent University(比尔肯特大学)
本文提出了一种在随机博弈中通过单比特反馈实现去中心化最优均衡学习的方法,通过探索-承诺和在线变体,实现了对社会福利目标的优化,并建立了有限时间遗憾保证。
2026-02-13 cs.GT cs.MA
Multidimensional Dynamic Pricing for Welfare Maximization
University of Pennsylvania(宾夕法尼亚大学);Microsoft Research(微软研究院);Northeastern University(东北大学)
我们研究的问题,卖方动态定价$d$不同类型的不可分割的商品,当面对的在线到达的单位需求的买家独立绘制从一个未知的分布。这些商品的供应并不有限,但只能以有限的速度生产,而且生产成本很高。卖方只观察每天购买的一捆货物,而不观察买方的估价函数。我们的主要结果是一个动态的定价算法优化福利(包括卖方的生产成本),运行在时间和多个回合是多项式的$d$和近似参数。我们能够做到这一点,尽管事实上,(i)价格反应函数是不连续的,甚至它的分数松弛是一个非凹函数的价格,(ii)福利是不可观察的卖方。我们得出这个结果作为一个应用程序的一般技术优化福利超过\emph{divisible}商品,这是独立的利益。当购买者具有强凹的、Hölder连续的价值函数时,我们给出了$d$可分商品的一般多项式时间动态定价方法.我们能够将这种技术应用于单位需求购买者的设定,尽管在该设定中商品是不可分的,并且单位需求估值的自然分数松弛不是强凹的。为了应用我们的一般技术,我们引入了一种新的价格随机化过程,其效果隐含诱导买家“正规化”他们的估值与强凹函数。最后,我们还将我们的结果扩展到一个有限的供应设置,其中每个好的副本的数量不能补充。
2017-06-10 cs.DS cs.GT cs.LG