Incentive Design in a Distributed Problem with Strategic Agents
在本文中，我们考虑了一个一般的分布式系统与多个代理谁选择，然后在系统中实现的行动。该系统有一个具有集中目标的操作员。另一方面，代理人是自我利益和战略的意义上，每个代理人优化自己的个人目标。运营商旨在通过为代理人设计激励计划来缓解这种不一致。这个问题是困难的，由于成本函数的代理耦合，运营商的目标不是社会福利，运营商没有直接控制的行动正在实施的代理。这一问题在许多领域都有研究，特别是在机制设计和成本分摊方面。然而，机制设计通常假设操作员知道代理的成本函数和操作员执行的动作。另一方面，成本分配传统上假设代理人不预期他们的行为对他们获得的激励的影响。我们删除这些假设，并提出了一个激励规则，这种设置之间的差距，弥合机制设计和经典的成本分配。我们分析了所提出的设计是否满足各种理想的属性，如社会最优性，预算平衡，参与约束，等等，我们还分析了这些属性可以满足，如果成本函数的代理是私人的和代理是预期的假设放宽。
2020-01-14 cs.GT stat.AP
Incentive design for learning in user-recommendation systems with time-varying states
University of Michigan（密歇根大学）
研究用户在时间变化状态下的学习问题，通过设计激励机制使用户真实披露私有信号，减少战略目标与团队目标的差距及激励支付。
2018-04-13 cs.GT cs.SY eess.SY
Influence before Hiring: A Two-tired Incentive Compatible Mechanism for IoT-based Crowdsourcing in Strategic Setting
本文研究了策略环境下基于物联网的多异构任务众包场景，提出了一种两层激励相容机制：第一层通过社交联系选择初始通知器以最大化设备通知数并满足预算约束，第二层利用单峰偏好和总替代标准确定并雇佣高质量设备，理论分析与实验证明该机制具备真实性、预算可行性和个体理性。
2023-04-03 cs.GT
Information Sharing in Networks of Strategic Agents
确保社交网络（如意见一致、合作估计、分布式学习和适应等）随着智能体数量的激增和有效运作，参与智能体需要通过重复共享信息来相互协作。然而，分享信息往往是昂贵的代理人，而导致他们没有直接的直接利益。因此，缺乏合作的激励，旨在最大化自己的个体效用的战略代理人将保留而不是共享信息，导致网络的低效运行甚至崩溃。在本文中，我们开发了一个系统的框架，设计分布式评级协议，旨在激励战略代理相互合作，共享信息。建议的激励协议利用代理人的相互作用的持续性质来分配评级，并通过它们来确定未来的奖励和惩罚：代理人的行为是直接享受高评级-因此更多的未来访问其他人的信息;代理人没有直接享受低评级-因此更少的未来访问其他人的信息。与现有的评级协议不同，该协议以分布式方式在线运行，并考虑到代理的底层互连性以及它们的异质性。我们证明，在许多部署方案的无政府代价（PoA）通过采用建议的评级协议是一个。在PoA大于1的设置中，我们表明，建议的评级协议仍然显着优于现有的激励机制，如针锋相对。重要的是，所提出的评级协议也可以有效地运行在部署方案中，战略代理人的互动随着时间的推移，新的代理加入网络的网络拓扑结构。
2013-09-16 cs.GT
Participation Incentives in Online Cooperative Games
本文研究在线合作博弈中的参与激励问题，提出满足参与激励公理和早期到达激励的新机制，并在超可加价值下确保个体理性。
2025-02-27 cs.GT
Long-term causal effects of economic mechanisms on agent incentives
经济机制根据感兴趣的代理人自我报告的类型管理资源分配。机制设计的一个目标是设计一个防策略的过程，这样就没有代理人有动机误报其类型。然而，对机制的激励性质的典型分析是在强有力的、通常是不可检验的假设下进行的。经验性的、以数据为导向的方法充其量是发展不足的。此外，机制/政策评估方法通常忽略了多代理系统的动态特性，因此不适合估计长期影响。我们介绍了估计激励机制的因果效应的问题，并将其框架下的鲁宾因果框架\citep{rubin74, rubin78}。这提出了独特的技术挑战，因为利益的结果（代理真实性）与战略互动混淆，有趣的是，通常在任何机制下都不会被观察到。我们开发了一种方法来估计这种因果关系的影响，使用先验的基础上的战略均衡模型。在肾脏交换领域，我们展示了如何应用我们的方法来估计肾脏分配机制对医院激励的因果影响。我们的研究结果表明，使用博弈论先验捕捉肾脏交换多智能体系统的动态性质，并缩小对长期影响的估计，从而改善了典型的方法，完全忽略代理的战略行为。
2014-09-18 cs.GT stat.ME
Beyond Right to be Forgotten: Managing Heterogeneity Side Effects Through Strategic Incentives
Duke Kunshan University（杜克昆山大学）；Westlake University（西交大学）；Huazhong University of Science and Technology（华中科技大学）；Hong Kong University of Science and Technology（香港科技大学）
针对 non-IID 联邦遗忘引发的客户端连锁退出问题，本文提出 Stackelberg 博弈激励框架，通过支付留住关键客户端，从而提升稳定性、降低性能损失并减少运行时间。
2025-07-26 cs.AI cs.GT
The Incentive Ratio in Exchange Economies
激励比率衡量战略行为的效用收益。在没有任何设置限制的情况下，线性、Leontief和Cobb-Douglas交易所市场的比率是无界的，这表明操纵均衡是一项值得的努力，即使在计算上具有挑战性。即使代理人只是误报了他们的效用函数，这种无限的改进也可以实现。这与费舍尔市场以前的结果形成了鲜明的对比。当柯布-道格拉斯设置更严格时，最大效用收益受商品数量的限制。通过一个例子，我们表明，这是可能的，超过一个已知的上限的费雪市场在交换经济。
2017-04-28 cs.GT
Incentive Games and Mechanisms for Risk Management
激励在具有多个自治部门的大型组织的（安全和IT）风险管理中发挥着重要作用。本文提出了一个基于博弈论的风险管理激励机制设计框架。风险管理者作为一个机制设计者，提供规则和激励因素，如援助或补贴的部门或单位，这是建模为自私的球员的战略（非合作）游戏。在此基础上，提出了满足效率、偏好相容性和防策略性准则的多目标激励机制。此外，迭代和分布式算法，它可以实现下的信息限制，如风险管理人员不知道个别单位的喜好。一个示例场景用数字说明了框架和结果。提出的激励机制设计方法不仅对制定指导方针，而且对开发大规模风险管理的计算机辅助系统也是有用的。
2010-12-15 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
TRUST-SC: Truthful Multi-Task Double Auction for Quality-Aware Spatial Crowdsourcing in Strategic Environment
VIT-AP University（维特阿普大学）；Thapar Institute of Engineering & Technology（塔帕尔工程技术学院）
本文提出TRUST-SC机制，通过三层次架构提升空间众包任务分配效率与执行者可靠性，采用多单位双拍卖确保激励相容性，实验证明其优于现有机制。
2026-04-24 cs.GT
Incentives and Coordination in Bottleneck Models
我们研究了维克里经典瓶颈模型的一个变体。在我们的模型中，有$n$代理和每个代理策略性地选择何时加入一个先来先服务的可观察队列。代理不喜欢排队，他们采取行动，在离散的时间步骤：我们假设每个代理有一个成本$1$的每一个时间步骤，他加入队列之前等待和成本$w>1$的每一个时间步骤，他在队列中等待。在每一个时间步骤中，可以处理单个代理。在每个时间步之前，每个代理观察队列并策略性地决定是否加入，目标是最小化他的期望成本。在本文中，我们专注于对称策略，可以说是更自然的，因为它们需要较少的协调。这就引出了一个通常的无政府状态的无政府代价问题：对称均衡的低效率的主要原因是什么？是玩家的策略行为还是缺乏协调？我们目前的结果是两个不同的参数制度是定性非常不同的：（i）当$w$是固定的$n$增长，我们证明了$2$的紧界，并表明整个损失是由于球员的自私行为（ii）当$n$是固定的$w$增长，我们证明了紧界的$Θ\left(\sqrt{\frac{w}{n}}\right)$，并表明它主要是由于缺乏协调：任何对称轮廓都遭受相同数量级的损失。
2018-10-08 cs.GT
ZETAR: Modeling and Computational Design of Strategic and Adaptive Compliance Policies
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）；New York University（纽约大学）
ZETAR提出零信任审计与推荐框架，通过凸规划定制激励策略，分类内部人员并学习完全可信策略集，显著提升合规性与满意度。
2023-10-14 cs.AI cs.GT
Strategic Information Attacks on Incentive-Compatible Navigational Recommendations in Intelligent Transportation Systems
本研究聚焦智能交通系统中导航推荐系统的局部定向信息攻击漏洞，提出引导用户达混合纳什均衡的协同激励兼容推荐系统，经Stackelberg博弈分析与数值案例验证其易受信息攻击，强调需考虑信息攻击以提升系统韧性。
2023-10-02 cs.GT cs.SY eess.SY
The Incentive Guarantees Behind Nash Welfare in Divisible Resources Allocation
研究可分割资源分配中MNW与PA机制的激励保证，证明MNW在蛋糕切割中激励比率为2，PA介于[e^(1/e),e]间，并给出无嫉妒机制的最优激励比率结果。
2025-04-23 cs.GT
Gradient Manipulation in Distributed Stochastic Gradient Descent with Strategic Agents: Truthful Incentives with Convergence Guarantees
Department of Electrical and Computer Engineering, Clemson University（克莱姆森大学电气与计算机工程系）
本文提出一种完全分布式支付机制，首次在分布式随机梯度下降中保证诚实行为和准确收敛，克服了现有诚实机制的两大局限：依赖集中服务器和牺牲收敛精度。
2026-03-30 cs.GT cs.LG
Pricing for Information Revelation in Demand Response: A Strategic Communication Approach
CRAN Laboratory, Université de Lorraine, CNRS（洛林大学国家科学研究中心CRAN实验室）；Central South University（中南大学）；EDF Lab Paris-Saclay（法国电力集团巴黎萨克雷实验室）；College of Computing, University Mohammed VI Polytechnic（穆罕默德六世理工大学计算学院）；Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系）
本文提出通过战略沟通方法设计价格以优化需求响应中的信息揭示，通过博弈论分析证明价格可控制信息披露并提升系统效率。
2026-10-31 cs.GT
Shortlisting Rules and Incentives in an End-to-End Model for Participatory Budgeting
本文提出一个基于社会选择理论的参与式预算端到端模型，涵盖项目提案入围与投票资助两阶段，并分析入围规则及其对参与者策略性行为的激励影响。
2023-09-06 cs.GT
Incentive Compatible Mechanism for Influential Agent Selection
选择网络中最具影响力的智能体具有巨大的应用价值。然而，在许多情况下，图结构只能从代理关于其连接的报告中得知。在一个自利的环境中，代理人可能会策略性地隐藏一些联系，使自己看起来更重要。在本文中，我们研究了激励相容（IC）的选择机制，以防止这种操纵。具体来说，我们将代理的后代建模为她的影响力，即，在此基础上，提出了几何机制，即在满足激励相容性和公平性的前提下，选择一个至少有1/2的最优后代在期望中的智能体。公平性要求两个图中具有相同贡献的两个根被分配相同的概率。此外，我们证明了一个上限为1/（1+ \ln 2）的任何激励兼容和公平的选择机制。
2021-07-22 cs.GT
How and Why to Manipulate Your Own Agent: On the Incentives of Users of Learning Agents
The Hebrew University of Jerusalem（希伯来大学）
自动学习代理的使用在许多在线经济应用中变得越来越普遍，例如在线拍卖和自动交易。出于这样的应用程序，本文致力于基本的建模和分析的战略情况下，用户的自动学习代理所面临的。我们考虑的战略设置，几个用户从事重复的在线互动，协助后悔最小化的学习代理，反复代表他们玩一个“游戏”。我们建议将代理动态的结果视为诱导用户之间的“元游戏”。我们主要关注的是用户是否可以在这个元游戏中受益于“操纵”自己的代理人误报他们的参数给他们。我们定义了一个通用的框架来建模和分析这些策略的用户之间的互动学习代理一般的游戏，并分析在三类游戏的用户之间诱导的均衡。我们表明，一般来说，用户有动机误报他们的参数给自己的代理，这种战略用户行为可能会导致非常不同的结果比标准分析的预期。
2023-01-03 cs.AI cs.GT cs.LG
SOCIALMAPF: Optimal and Efficient Multi-Agent Path Finding with Strategic Agents for Social Navigation
我们提出了一个扩展的MAPF制定，称为SocialMAPF，占私人激励的代理人在受限的环境，如门口，狭窄的走廊，走廊交叉口。例如，SocialMAPF能够准确地推理出一个代理人赶往医院的紧急激励，而不是另一个代理人去杂货店的不那么紧急的激励; MAPF忽略了这种代理人特定的激励。我们提出的配方解决了开放的问题，最佳和有效的路径规划与私人激励代理。为了解决SocialMAPF，我们提出了一类新的算法，在冲突解决过程中使用机制设计，同时优化代理的私人本地公用事业和全球系统的目标。我们进行了大量的实验表明，最佳的基于搜索的MAPF技术导致碰撞和增加的时间到目标的SocialMAPF相比，我们提出的方法使用机制设计。此外，我们的经验表明，机制设计的模型，最大限度地提高代理效用和最大限度地减少整个系统的整体时间到目标。我们进一步展示了机制设计为基础的规划的能力，成功地将其部署在环境中的静态障碍。最后，我们简要地列出了几个研究方向，使用SocialMAPF制定，如探索运动规划在连续域的代理与私人激励。
2022-10-15 cs.AI cs.GT cs.MA
Bounded Incentives in Manipulating the Probabilistic Serial Rule
Shanghai University of Finance and Economics（上海财经大学）；Peking University（北京大学）；University of Southampton（南安普顿大学）
概率序列机制以其令人满意的公平性和效率特性而闻名。它是解决随机分配问题最重要的协议之一。然而，ProbabilitySerial不是激励相容的，因此这些理想的属性只适用于代理人的声明偏好，而不是他们真正的偏好。通过策略行为获得的大量效用收益会引发自利主体操纵机制，并会破坏在实践中采用机制的基础。在本文中，我们的特点，在何种程度上可以提高其效用的个人代理的战略操纵。我们证明了该机制的激励比为$\frac{3}{2}$。也就是说，没有一个智能体可以误报其偏好，从而使其效用超过如实报告时的1.5倍。该比率是最坏情况下的保证，允许代理具有关于其他代理的报告的完整信息，并找出最佳响应策略，即使它通常在计算上是难以处理的。为了补充这个最坏的情况下的研究，我们进一步评估代理的效用增益平均通过实验。实验表明，代理人操纵规则的动机是非常有限的。这些结果揭示了概率序列对策略操纵的鲁棒性，这比知道它不是激励相容的更进一步。
2020-01-28 cs.AI cs.GT cs.MA
Adaptive Incentive Design
University of Washington（华盛顿大学）
本文基于控制理论和优化技术，设计自适应激励机制，通过非合作博弈和我的更新规则，研究规划者如何在不知战略代理决策过程的情况下，学习并调整激励以实现更理想的响应。
2018-06-14 cs.GT cs.SY eess.SY
Strategic Apple Tasting
Carnegie Mellon University（卡内基梅隆大学）；MIT（麻省理工学院）
本文将策略性智能体与苹果品尝反馈结合为在线学习问题，提出算法在随机智能体序列下实现O(√T)策略遗憾，并扩展至对抗序列和老虎机反馈设定。
2023-10-28 cs.GT cs.LG
Strategic Algorithmic Monoculture: Experimental Evidence from Coordination Games
Pennsylvania State University（宾夕法尼亚州立大学）
研究通过实验设计区分算法单一性与战略算法单一性，发现LLM在协调任务中表现优异，但在奖励分歧时难以维持多样性。
2026-04-13 cs.AI cs.GT cs.MA
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
Incentive-Compatible Selection for One or Two Influentials
本文针对网络中有影响力个体选择的策略操纵问题，设计了达到单个体选择近似上界1/(1+ln2)的激励相容机制，并拓展至双个体选择，实现约0.54的近似比。
2023-06-13 cs.GT
On Cost-Effective Incentive Mechanisms in Microtask Crowdsourcing
虽然微任务众包提供了一种新的方式来解决大量的小任务，与传统的内部解决方案相比，价格要低得多，但由于缺乏激励，它存在质量问题。另一方面，为微任务众包提供激励是具有挑战性的，因为验证提交的解决方案的质量是如此昂贵，这将否定微任务众包的优势。本文研究了微任务众包的成本效益激励机制。特别是，我们考虑一个模型与战略工人，工人的主要目标是最大化自己的效用。基于这个模型，我们分析了两个基本机制，广泛采用现有的微任务众包应用程序，并表明，从工人获得高质量的解决方案，他们的成本受到一些下限。然后，我们提出了一个具有成本效益的机制，采用质量意识的工人培训作为一种工具，以刺激工人提供高质量的解决方案。我们从理论上证明，所提出的机制，适当的设计，可以获得高质量的解决方案，以任意低的成本。除了理论上的保证，我们进一步证明了我们提出的机制，通过一组行为实验的有效性。
2013-05-29 cs.GT
Eco-driving Incentive Mechanisms for Mitigating Emissions in Urban Transportation
Department of Industrial and Enterprise Systems Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校工业与企业系统工程系）
本文提出促进生态驾驶以减少交通网络排放的激励机制，通过获取驾驶员偏好并设计最优预算与建议，构建了确保服从与真实报告的纳什均衡，有效应对策略性行为与网络效应。
2025-10-14 cs.GT cs.SY eess.SY
Online Allocation and Learning in the Presence of Strategic Agents
Columbia University（哥伦比亚大学）
我们研究的问题分配$T$顺序到达项目之间的$n$同质代理的约束下，每个代理必须收到一个预先指定的分数的所有项目，与最大化的代理的总价值分配给他们的项目的目标。代理人在每一轮中对物品的估价被假设为i.i.d.。但是它们的分布对于中央规划者是先验未知的。因此，中央计划器需要从观察值中隐式地学习这些分布，以便选择好的分配策略。然而，这里的另一个挑战是，代理商具有战略性，有动机误报其估值，以获得更好的分配。这使得我们的工作既不同于通常假设已知估值分布和/或涉及支付的在线拍卖设计设置，也不同于不考虑战略代理的在线学习设置。为此，我们的主要贡献是一个在线学习为基础的分配机制，是近似贝叶斯激励兼容，当所有的代理是真实的，保证了次线性遗憾的个人代理的效用相比，根据最佳离线分配政策。
2022-09-25 cs.GT cs.LG
Bandits Meet Mechanism Design to Combat Clickbait in Online Recommendation
University of Oslo（奥斯陆大学）；Apple ML Research（苹果机器学习研究院）；TTIC（丰田理工学院芝加哥分校）；University of Neuchatel（纳沙泰尔大学）；University of Chicago（芝加哥大学）
研究策略性点击老虎机问题，提出激励感知学习算法UCB-S，在不确定性下激励理想臂行为并最小化遗憾，证明其达到 $\tilde{\mathcal{O}}(\sqrt{KT})$ 遗憾上界，且激励无感知算法无法实现低遗憾。
2023-11-27 cs.GT cs.LG
Position: Machine Learning for Heart Transplant Allocation Policy Optimization Should Account for Incentives
Department of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）；Department of Surgery, Division of Cardiothoracic Surgery, Medical University of South Carolina（外科系，心血管外科 division，南卡罗来纳医科大学）；Strategy Robot, Inc., Strategic Machine, Inc., Optimized Markets, Inc.
本文指出当前机器学习优化器官分配政策忽视了激励机制问题，提出下一代分配政策应具有激励意识，并呼吁整合机制设计、策略分类、因果推断和社会选择等研究。
2026-05-25 cs.GT cs.LG
Strategic Cyber Defense via Reinforcement Learning-Guided Combinatorial Auctions
提出基于强化学习Q值导出估值，利用可微Transformer组合拍卖（CAFormer）在真实网络环境中分配防御动作包，实现近似激励兼容且对误报鲁棒，证明了拍卖规划可行性及价值结构可解释性。
2025-09-13 cs.GT
Look One Step Ahead: Forward-Looking Incentive Design with Strategic Privacy for Proactive Service Provisioning over Air-Ground Integrated Edge Networks
Lanzhou University（兰州大学）；Tongji University（同济大学）；Xiamen University（厦门大学）；Edith Cowan University（伊迪丝科文大学）；University of New South Wales（新南威尔士大学）；University at Buffalo-SUNY（纽约州立大学布法罗分校）
本文提出LOSA框架，通过前瞻性隐私保护和轻量级实时执行阶段，实现高效且隐私保护的服务 provisioning，降低交易延迟并提升鲁棒性。
2026-04-15 cs.CR cs.GT cs.NI
Maximizing Welfare with Incentive-Aware Evaluation Mechanisms
Cornell University（康奈尔大学）；Microsoft Research（微软研究院）
出于应用程序，如大学录取和保险费率的确定，我们提出了一个评估问题，输入控制的战略个人谁可以修改他们的功能在成本。学习者只能部分地观察特征，并且旨在根据质量分数对个体进行分类。目标是设计一种评价机制，使总体质量得分最大化，即，在人口中的福利，考虑到任何战略更新。我们进一步研究了算法方面的福利最大化的评价机制，在我们的模型中的两个特定的设置。当分数是线性的和机制使用线性评分规则的可观察到的功能，我们表明，最佳的评价机制是一个适当的投影的质量分数。当机制必须使用线性阈值时，我们设计了一个多项式时间算法，当底层特征分布足够光滑并允许找到密集区域时，该算法具有（1/4）近似保证。我们扩展我们的结果设置先验分布是未知的，必须从样本中学习。
2020-11-03 cs.AI cs.GT
Strategic Interactions in Multi-Level Stackelberg Games with Non-Follower Agents and Heterogeneous Leaders
Aston University（阿斯顿大学）
本文提出一个多层Stackelberg框架，考虑非跟随者和异质领导者，以更准确地建模拥堵耦合市场中的战略互动。
2026-03-04 cs.GT cs.MA
Strategic Data Sharing between Competitors
INSAIT, Sofia University（索菲亚大学INSAIT）
本文提出一个由生产决策、数据对模型质量影响和协商过程组成的三部分框架，用于分析竞争对手间数据共享的权衡，并发现竞争减弱和更困难的学习任务会促进协作。
2023-10-30 cs.GT cs.LG
Rational Miner Behaviour, Protocol Stability, and Time Preference: An Austrian and Game-Theoretic Analysis of Bitcoin's Incentive Environment
本文结合奥地利资本理论与重复博弈论，分析区块链中矿工的战略行为，指出协议规则可变性会提高时间偏好并破坏合作均衡，论证了协议不可变性作为制度锚对恢复战略一致性与网络可持续均衡的必要性。
2025-06-26 cs.CR cs.GT cs.NI
Strategic Information Revelation in Crowdsourcing Systems Without Verification
我们研究了一个众包问题，该平台旨在激励分布式工作人员提供高质量和真实的解决方案，而无需验证解决方案。虽然大多数先前的工作假设，平台和工人有对称的信息，我们研究了一个不对称的信息场景中的平台具有信息优势。具体而言，平台知道关于工人平均解决方案准确性的更多信息，并且可以策略性地向工人揭示这些信息。工人将利用宣布的信息，以确定他们获得奖励的可能性，如果在任务上付出努力。我们研究了两种类型的工人，天真的工人完全信任的公告，和战略工人更新之前的信念的基础上宣布。对于天真的工人，我们表明，平台应该总是宣布一个高的平均准确率，以最大限度地提高其回报。然而，这对战略工作者来说并不总是最佳的，因为它可能会降低平台公告的可信度，从而降低平台的回报。有趣的是，当面对战略工作者时，平台甚至可能有动机宣布低于实际值的平均准确率。另一个违反直觉的结果是，平台的回报可能会减少高精度工人的数量。
2021-04-09 cs.GT
Incentive Design in Competitive Resource Allocation: Exploiting Valuation Asymmetry in Tullock Contests
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；University of Colorado, Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
本文研究了在多玩家图克赛格斯框架下，协调者如何通过设计子代理的估值来影响竞争结果，分析了估值与单位成本对均衡投标和收益的影响，并提出了一种适用于任意数量子代理的优化方法。
2026-05-07 cs.GT
Incentive Analysis of Collusion in Fair Division
本研究针对公平分配中智能体合谋操纵的研究空白，定义强群体激励比与群体激励比衡量合谋收益，刻画了MNW、PS、RR三种机制的合谋激励边界，揭示了三者合谋脆弱性的本质差异。
2025-10-02 cs.GT
Nonbossy Mechanisms: Mechanism Design Robust to Secondary Goals
Google Research（谷歌研究院）；Chinese University of Hong Kong（香港中文大学）
本文研究当代理人可能隐藏次要目标时，机制对策略操纵免疫的充要条件，即主激励相容且非专横，并刻画了多种环境下的此类机制。
2026-05-31 cs.GT
FedToken: Tokenized Incentives for Data Contribution in Federated Learning
Aalborg University（奥尔堡大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61所）
补偿联邦学习（FL）模式分散培训所涉成本的激励措施是客户长期参与的关键激励措施。然而，说服客户参与FL的质量是具有挑战性的，因为缺乏：（i）关于客户数据质量和属性的完整信息;（ii）客户数据贡献的价值;以及（iii）值得信赖的货币激励机制。这往往导致培训和沟通效率低下。虽然有几项工作侧重于战略激励设计和客户选择，以克服这一问题，有一个重大的知识差距方面的整体设计，适合预见的数字经济，包括Web 3.0，同时满足学习目标。为了解决这一差距，我们提出了一个基于贡献的令牌化激励计划，即\texttt{FedToken}，由区块链技术支持，确保令牌在客户端之间的公平分配，与模型训练期间对其数据的估值相对应。利用基于Shapley的设计方案，我们首先在模型聚合过程中近似本地模型的贡献，然后策略性地安排客户端降低通信轮次，以实现收敛和锚定方式，从而在受限的货币预算下分配\emph{affordable}令牌。大量的模拟实验证明了我们所提出的方法的有效性。
2022-11-03 cs.DC cs.GT cs.LG
Beyond Incentive Compatibility: Rational Harm-Proof Transaction Fee Mechanisms
University of Michigan, Ann Arbor, MI, USA（密歇根大学）
本文提出理性无害性（RHP）概念，证明交易费用机制在有限区块容量下存在四难困境，并构造满足RHP的随机化机制，将设计从激励扩展至防无成本损害。
2026-09-29 cs.CR cs.GT
A No-Regret Framework for Adaptive Incentive Design
KTH Royal Institute of Technology（瑞典皇家理工学院）
针对连续动作空间和私有成本的博弈，提出无遗憾自适应激励设计框架，通过切换激励策略实现参数估计和遗憾最小化。
2026-06-01 cs.GT cs.MA cs.SY
An Incentive Compatible Multi-Armed-Bandit Crowdsourcing Mechanism with Quality Assurance
考虑一个请求者，他希望将一系列相同的二进制标记任务众包给一个工人池，以便以成本最优的方式为每个任务实现有保证的准确性。工人是异质的，具有未知但固定的素质，他们的成本是私人的。问题是为每个任务选择一个最佳的工人子集，以便从选定的工人获得的结果保证目标精度水平。这个问题是一个具有挑战性的，即使在一个非战略性的设置，因为聚合标签的准确性取决于未知的质量。我们开发了一种新的多臂强盗（MAB）机制来解决这个问题。首先，我们提出了一个框架，保证精度Bandit（AAB），这导致了一个MAB算法，约束的信心界的非战略设置（CCB-NS）。我们推导出一个上界的时间步长的算法选择一个次优集，这取决于目标的准确性水平和真实的质量。当请求者不仅要了解工人的素质，还要了解他们的真实成本时，就会出现更具挑战性的情况。本文对CCB-NS算法进行了改进，得到了一种自适应的探测分离算法，我们称之为{ \em策略设置的约束置信界（CCB-S）}。CCB-S算法产生一个事后单调分配规则，从而可以转化为一个事后激励相容的事后个体理性机制，学习工人的素质，以成本最优的方式保证给定的目标精度水平。我们提供了一个下界的次数任何算法应该选择一个次优集，我们看到，下界匹配我们的上限到一个常数因子。我们提供的见解，这个框架的实际实施，通过一个说明性的例子，我们通过模拟显示我们的算法的有效性。
2015-06-17 cs.GT cs.LG
Extending the El Farol Bar Game with Partial Observability and Incentive Design
Ionian University（伊奥尼亚大学）
将酒吧建模为具有 AI 学习能力的战略参与者，引入部分可观测性和动态定价，研究有限理性代理与自适应机构之间的协同进化协调过程。
2026-06-03 cs.GT
Fair and Almost Truthful Mechanisms for Additive Valuations and Beyond
本文研究不可分割商品公平分配中激励比率的下界与上界，证明加性估值下任何(1/2+ε)-EF1机制激励比率至少1.5，可取消估值下ε-EF1机制激励比率无限，并给出次加性可取消及次模估值下轮转机制的具体比率。
2024-07-23 cs.GT
No Transaction Fees? No Problem! Achieving Fairness in Transaction Fee Mechanism Design
针对现有交易费用机制难以兼顾公平与激励的问题，本文提出基于链上随机性的rTFM，在保证矿工与用户激励兼容的同时满足零费用交易包含与单调性等公平约束。
2024-02-07 cs.GT
A Statistical Analysis of Three Player Auction Bridge
Indian Statistical Institute（印度统计研究所）
本文通过统计与博弈论框架分析三人拍卖桥牌，发现原始计分规则存在激励缺陷，提出叫牌依赖修正，并利用GS-CFR等方法证明修改方案显著改变收益分配与叫牌行为，凸显计分规则设计的重要性。
2026-09-23 cs.GT math.ST stat.AP
Social Welfare in Battery Charging Games
该研究从博弈论视角分析家庭电池充电决策，提出斯塔克尔伯格市场模型，通过价格激励优化可再生能源利用，发现均衡存在性及社会福利受定价策略影响显著。
2025-08-08 cs.GT
Incentives in Two-sided Matching Markets with Prediction-enhanced Preference-formation
University at Buffalo（布法罗大学）
双边配对市场长期存在，在缺乏监管的交易所的情况下配对代理人。一个常见的例子是学校选择，其中一个匹配机制使用学生和学校的偏好来分配学生到学校。在这种情况下，形成偏好既困难又关键。先前的工作已经提出了各种预测机制，帮助代理人对他们的偏好做出决定。虽然这些匹配和预测机制经常一起部署，但它们几乎总是被单独分析。目前的工作表明，在两者的交叉点上存在着一种以前未被探索过的战略行为类型：代理人返回市场（例如，学校）可以通过与它们的匹配进行短期非最优交互来攻击未来预测。在这里，我们首先介绍这种类型的战略行为，我们称之为“对抗性互动攻击”。接下来，我们构建了一个正式的经济模型，该模型捕捉了旨在帮助代理的预测机制和用于配对它们的匹配机制之间的反馈回路。这个经济模型允许我们分析对抗性交互攻击。最后，以学校选择为例，我们建立了一个模拟，表明随着预测的信任和准确性的增加，学校通过发起对抗性交互攻击获得的收益越来越多。我们还表明，这种攻击增加了学生群体的不平等。
2021-09-16 cs.GT cs.LG
Strategically-Robust Learning Algorithms for Bidding in First-Price Auctions
Columbia University（哥伦比亚大学）；Google Research（谷歌研究院）
本文针对第一价格拍卖提出基于凹规划和自然梯度上升的出价学习算法，首次同时实现最优遗憾（对手环境 $O(\sqrt{T})$，随机环境 $O(\log T)$）与策略鲁棒性和激励相容性。
2024-07-07 cs.GT cs.LG
How Do Classifiers Induce Agents To Invest Effort Strategically?
Cornell University（康奈尔大学）
算法通常用于产生对个体进行分类或评估的决策规则。当这些人有动机以某种方式被分类时，他们可能会采取策略性的行为来影响他们的结果。我们开发了一个模型，战略代理可以投资的努力，以改变他们收到的结果，我们给出了一个严格的表征时，这样的代理可以激励投资指定形式的努力，以改善他们的结果，而不是“游戏”的分类器。我们表明，只要任何“合理”的机制可以这样做，一个简单的线性机制就足够了。
2019-08-01 cs.CY cs.DS cs.GT
