Optimizing Contracts in Principal-Agent Team Production
本研究针对委托-代理团队生产模型,在代理人努力不可观测但总产出可观测的情况下,提出通过利润分享规则设计契约,并找到使问题可转化为凸规划的条件,从而高效求解最优契约。
2025-05-25 cs.GT
Designing Menus of Contracts Efficiently: The Power of Randomization
我们研究隐藏行动的委托代理问题,其中委托人承诺一个结果依赖的支付计划(称为合同),以激励代理人采取昂贵的,不可观察的行动,导致有利的结果。特别是,我们专注于贝叶斯设置代理人的私人信息。这是由代理人的类型共同编码的,代理人的类型对委托人来说是未知的,但是根据有限支持的、公知的概率分布随机抽取。在贝叶斯委托代理问题中,委托人可能会更好地承诺一个合同菜单,为每个代理人的类型指定一个合同,而不是承诺一个单一的合同。这导致了一个两阶段的过程,类似于在经典的机制设计中研究的相互作用:在委托人已经提交了一个菜单,代理人首先报告一个类型的主体,然后,后者把合同在菜单中,对应于报告的类型。因此,委托人的计算问题归结为设计一个合同菜单,激励代理人报告他们的真实类型,并最大化预期效用。以前的工作表明,计算合同的最佳菜单是APX困难的。至关重要的是,以前的作品集中在确定性合同的菜单。令人惊讶的是,我们表明,如果一个考虑菜单的随机合同定义为概率分布的支付向量,那么一个“几乎最优”的菜单可以计算在多项式时间。事实上,计算随机合同的主最优菜单的问题可能不允许最大值,而只允许上确界。尽管如此,我们展示了如何设计一个多项式时间算法,保证与预期的效用任意接近上确界的主要。除了这个主要的结果,我们还关闭几个缺口的菜单的确定性合同的分析。
2022-08-17 cs.GT
Contracting Experts With Unknown Cost Structures
我们调查的问题,主要期待合同的专家提供一个分类事件的概率预测。我们假设所有专家对事件的概率都有一个共同的公众先验,但可以通过参与研究形成更准确的意见。各种专家的研究费用是校长不知道的。针对委托人聘请专家的问题,提出了一种真实有效的解决机制。这导致委托人与最好的专家签约来做这项工作,而委托人的预期效用相当于拥有第二好的专家。我们的机制将评分规则与拍卖联系起来,这种联系在获得新信息需要昂贵的研究时非常有用。
2014-04-29 cs.GT
Algorithmic Contract Theory: A Survey
本综述介绍了算法契约理论,探讨了契约理论在激励感知算法设计中的应用,并展示了算法设计与契约理论之间的互动潜力及未来研究方向。
2024-12-20 cs.GT econ.TH
Succinct Ambiguous Contracts
Google Research(谷歌研究);Blavatnik School of Computer Science, Tel Aviv University(特拉维夫大学布拉瓦特尼克计算机科学学院)
本文研究了简洁含糊合同,通过限制合同数量来平衡效率与实用性,揭示了委托人效用随合同规模变化的断点,并提出多项式时间算法和NP难性结果。
2026-02-26 cs.GT econ.TH
Contract Design With Safety Inspections
该研究针对带安全检查的契约设计问题,刻画了单代理人场景下的最优线性契约,提出多代理人场景下基于动态规划的检查预算近似最优分配方法,并通过案例揭示检查成本差异对预算分配的显著影响。
2023-11-05 cs.GT econ.TH
Contracts under Moral Hazard and Adverse Selection
在经典的委托代理问题中,委托人必须设计一个合同来激励代理人代表委托人执行一项行动。我们研究经典的委托代理问题的设置,代理人可以是几种类型之一(影响他们可能采取的行动的结果)。这结合了契约理论中的“道德风险”现象(关于行为的不完全信息)和“逆向选择”现象(关于类型的不完全信息)。我们通过计算透镜来研究这个问题。我们表明,在这种情况下,APX很难计算利润最大化的单一合同或利润最大化的合同菜单(而不是在没有类型的情况下,人们可以有效地计算最优合同)。然后,我们表明,最好的线性合同的性能尺度特别好的类型的数量:如果代理有$n$可用的行动和$T$可能的类型,最好的线性合同实现了$O(n\log T)$近似的最佳可能的利润。最后,我们应用我们的框架来证明严格的最坏情况下的近似边界之间的各种基准机制的主要。
2020-10-14 cs.GT
Sequential Linear Contracts on Matroids
University of Waterloo(滑铁卢大学)
本文研究了在 matroid 约束下,通过线性契约激励代理依次采取行动以最大化主人效用的问题。
2026-02-03 cs.GT
Learning Approximately Optimal Contracts
Tel-Aviv University(特拉维夫大学);Google Research(谷歌研究院);Royal Holloway, University of London(伦敦大学皇家霍洛威学院);Tel Aviv University(特拉维夫大学)
在委托-代理模型中,委托人向代理人提供一份合同,让代理人完成某项任务。代理人付出一定程度的努力,使其效用最大化。委托人对代理人选择的努力程度一无所知,她的工资只取决于可能的结果。在这项工作中,我们考虑一个模型,其中的主要是不知道代理人的效用和行动空间:她顺序提供合同相同的代理人,并观察由此产生的结果。我们提出了一个算法,学习最优的合同在温和的假设。我们约束委托人所需的样本数量,以获得一个合同,该合同在她对每个$\eps>0$的最佳净利润的$\eps$范围内。我们的结果是强大的,即使考虑风险厌恶的代理人。此外,我们表明,当只有两种可能的结果或代理是风险中性的,该算法的结果接近经典理论中描述的最优合同。
2022-07-13 cs.GT cs.LG econ.TH
Distributional Robustness of Linear Contracts
本文研究了在存在分布不确定性时,线性合约在委托-代理问题中的最优性,证明了线性合约在最坏情况下的支付收益优于非线性合约,并扩展至多方场景。
2026-04-27 cs.GT
Designing Exploration Contracts
本研究将契约设计应用于序贯探索问题,在委托-代理框架下为委托人计算最优契约,涵盖线性契约及一般契约,并与潘多拉盒子问题相关联。
2025-01-23 cs.DS cs.GT
Contract Design Under Approximate Best Responses
本文研究近似最优响应下的委托-代理问题,提出多项式时间算法计算最优契约,并给出无遗憾学习算法,为相关场景提供理论支撑。
2025-02-26 cs.GT
The Power of Menus in Contract Design
本研究探讨委托-代理问题中合同菜单的效用优势,证明其可显著优于单一合同,并揭示确定性菜单与随机菜单间的性能差距。
2023-06-22 cs.DS cs.GT econ.TH
Fair Contracts in Principal-Agent Games with Heterogeneous Types
Université de Neuchâtel(Neuchâtel大学)
针对多智能体系统中潜在特质差异导致的公平性问题,提出基于重复委托-代理博弈的框架,使委托人学习同质线性契约以平衡结果,且不牺牲效率。
2025-06-18 cs.GT cs.LG cs.MA
The Power of Information for Intermediate States in Contract Design
Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海人工智能实验室)
本文探讨了在契约设计中利用中间状态信息的潜力,提出两种新型契约类型,并分析了其在特定情境下的优势。
2026-04-17 cs.GT
Multi-Agent Contract Design: How to Commission Multiple Agents with Individual Outcome
研究了多代理人的隐作用委托代理问题。在这些问题中,委托人承诺采用一种依赖于结果的支付方案,以激励一些代理人采取代价高昂、不可观察的行动,从而获得有利的结果。以前的作品多代理问题研究模型,其中主要观察到一个单一的结果,由所有代理的行动。这种模式在很大程度上限制了委托人的订约能力,因为付款只能取决于所有代理人行动的共同结果,而没有办法为每个代理人的个人结果支付费用。在本文中,我们考虑一个模型,其中每个代理人确定自己的个人结果作为其行动的影响,主要观察所有的个人结果分开,他们认为奖励,共同取决于所有这些结果。这大大提高了委托人的订约能力,允许他们根据各自的结果向每个代理人付款。我们分析的计算复杂性寻找委托人最优的合同,围绕两个新引入的属性,我们称之为IR-超模块和DR-子模块。直观地说,前者捕获具有递增回报的设置,其中回报随着代理的努力增加而增长得更快,而后者则模拟回报递减的情况,其中回报反而增长得更慢。这两个属性自然地模拟了两个常见的现实世界现象,即不经济和规模经济。在本文中,我们首先解决基本的情况下,主要知道一切的代理人,然后,更一般的贝叶斯实例,每个代理人都有自己的私人类型,确定他们的功能,如行动成本和行动随机决定个人的结果。
2023-01-31 cs.GT
Simple versus Optimal Contracts
我们考虑经典的委托代理模型的合同理论,其中一个主要的设计结果依赖的补偿计划,以激励代理人采取昂贵的和不可观察的行动。当所有的模型参数-包括全部分布的主要奖励所产生的每个代理人的行动-是已知的设计者,最优的合同原则上可以计算线性规划。除了他们苛刻的信息要求,这种最优合同往往是复杂的和不直观的,并不类似于合同在实践中使用。本文通过理论计算机科学的视角来考察契约理论,目的是发展新的理论来解释和证明相对简单的契约(如线性(纯佣金)契约)的流行。首先,我们考虑的情况下,主要只知道每个动作的奖励分布的第一时刻,我们证明了线性合同保证是最坏情况下的最优,在所有的奖励分布与给定的时刻一致。其次,我们从最坏情况近似的角度研究了线性合约,并证明了几个紧的参数化近似界。
2020-08-09 cs.DS cs.GT
Contract Design for Sequential Actions
本文提出序贯行动契约模型,将智能体决策等价于潘多拉魔盒问题,并给出独立行动下线性契约的多项式算法及一般契约的NP难结果,关联行动下近似亦NP难。
2025-04-20 cs.GT
Common-agency Games for Multi-Objective Test-Time Alignment
UCLA(加州大学洛杉矶分校)
本文提出CAGE框架,通过游戏理论实现多目标测试时对齐,无需重新训练,支持灵活的权衡和弱到强泛化。
2026-05-08 cs.GT
Ambiguous Contracts
本研究探讨合约设计中引入模糊性的影响,发现模糊厌恶型智能体场景下委托人可通过模糊合约获任意高的严格收益,刻画了最优模糊合约的简洁性结构与防模糊类合约特征,且指出混合行动会消除模糊合约优势。
2024-09-16 cs.GT
Contract Design Beyond Hidden-Actions
Harvard University(哈佛大学);Sapienza University of Rome(罗马第一大学)
本文研究了在二元结果下超越隐藏行动的合同设计,通过放松隐藏行动假设,引入检查子集的机制,并设计算法解决不同检查成本函数下的激励相容问题。
2025-11-26 cs.GT
Online Contract Design
Technion(以色列理工学院);Tel Aviv University(特拉维夫大学)
本文提出了一种在线合同设计算法,在代理奖励为加性时达到1/2的竞争比,同时探讨了XOS结构对算法的影响。
2026-02-07 cs.GT
Regret Minimization in Single-Dimensional Contract-Design with Binary Actions
Bocconi University(博科尼大学)
针对在线主-代理问题中代理类型对抗性序列,提出基于非均匀离散化的阈值优化方法,实现与结果数量无关的Θ(T^{2/3})遗憾界;对于固定隐藏类型,采用探索后提交策略达到Θ̃(√T)遗憾界。
2026-06-04 cs.GT
Monitoring with Rich Data
本文研究道德风险中丰富监督数据的激励价值,证明二元工资合约以宽松阈值实现向第一最优收益的最优收敛速率,而线性等精细合约次优,并给出仅依赖监督技术汇总统计量的排序。
2024-07-03 cs.GT econ.TH
Ultra Efficient Contracts: Pushing the Boundaries of Tractable Contract Design
Blavatnik School of Computer Science, Tel Aviv University(特拉维夫大学布拉瓦特尼克计算机科学学院)
本文研究了在组合动作框架下最优合同问题,提出了一种新的Ultra奖励类,解决了可计算性边界问题,并扩展到非加性成本函数。
2026-03-15 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
Linear Contracts for Supermodular Functions Based on Graphs
本文研究多智能体线性契约问题,针对图上的超模函数,在智能体成本不同的一般情况下,给出了加法PTAS,回答了开放问题。
2024-12-17 cs.GT
Strict Fairness at What Cost? Envy-Free Contracts with Subsidies
Politecnico di Milano(米兰理工大学);National University of Singapore(新加坡国立大学)
提出带有补贴的无嫉妒合同(EFS)方案,通过额外提供代理人特定补贴,在恢复严格公平性的同时,将公平性代价从无界降低到紧的$n^{\Theta(n)}$界,并证明一般情况下的NP难解性和任务数恒定时的多项式时间算法。
2026-07-15 cs.GT
Are Bounded Contracts Learnable and Approximately Optimal?
Peking University(北京大学);The University of Hong Kong(香港大学)
本文在委托-代理隐藏行动模型中证明,在标准假设下可用多项式查询学习近乎最优的有界合同,并揭示其满足混合近似而非乘法或加法近似最优。
2024-02-22 cs.AI cs.GT cs.LG
Repeated Contracting with Multiple Non-Myopic Agents: Policy Regret and Limited Liability
University of Pennsylvania(宾夕法尼亚大学)
本文研究委托人与多个非短视智能体的重复缔约问题,揭示选择智能体所诱导的博弈存在非响应均衡,并证明结合单调且无交换遗憾的老虎机算法,委托人可在有限责任契约下实现相对于事后最优智能体及线性契约反事实情形的无遗憾。
2024-02-27 cs.DS cs.GT cs.LG
Contracting with a Mechanism Designer
University of Bergen(卑尔根大学);Hong Kong University of Science and Technology(香港科技大学);University of Electronic Science and Technology of China(电子科技大学);Central China Normal University(华中师范大学)
本文研究了众包市场中主体通过中介与工人互动的机制设计问题,提出了虚拟价值定价模型,并分析了双边际化价格和纳什均衡价格在不同分布下的界限。
2026-02-01 cs.GT
Learning Optimal Contracts: How to Exploit Small Action Spaces
Politecnico di Milano(米兰理工大学)
本文研究多轮委托-代理合同学习问题,针对小型动作空间设计了一种多项式轮数内高概率学习近似最优合同的算法,解决了Zhu等人提出的开放问题,并将在线学习遗憾界改进至Õ(T^{4/5})。
2024-06-07 cs.GT cs.LG
Contracting with a Learning Agent
Google Research(谷歌研究院);Cornell University(康奈尔大学);Tel Aviv University(特拉维夫大学);Berkeley University(加州大学伯克利分校);Princeton University(普林斯顿大学)
该研究针对与无遗憾学习型智能体的重复缔约问题,在经典契约设定下提出了先提供正标量线性契约、后切换为零标量契约的最优动态方案,可实现双方收益提升,并首次量化了时间范围认知的影响。
2024-01-29 cs.AI cs.GT cs.LG
Multi-Agent Non-Discriminatory Contracts
The Hong Kong Polytechnic University(香港理工大学);Shandong University(山东大学)
本文研究多智能体合同中委托人效用最大化与支付平等之间的权衡,提出非歧视价格的界并分析其与非歧视程度的关系。
2026-01-23 cs.GT
Principal-Agent Boolean Games
本文研究委托-代理问题的计算版本,基于布尔博弈变体建模委托人设计合同以对齐代理人偏好的问题,并完整刻画了相关决策问题的计算复杂性。
2023-05-17 cs.CC cs.GT cs.MA
Approximate Optimality of Linear Contracts Under Uncertainty
本文研究隐藏行动委托代理模型,证明在不确定性足够大时线性契约近似最优,而债务契约等其他简单格式仍会遭受与可能行动数量成线性关系的损失。
2025-03-04 cs.GT econ.TH
Budget-Feasible Contracts
研究预算约束下具有二元动作的多智能体合同问题,证明已有近似保证可扩展至预算设定,提出BEST目标等价类并引入节俭代价以量化预算约束导致的损失。
2025-06-25 cs.GT
Principal-Agent Reinforcement Learning: Orchestrating AI Agents with Contracts
Israel Institute of Technology(以色列理工学院);Google(谷歌公司);Harvard University(哈佛大学)
本文提出将强化学习与主代理-代理理论结合的契约驱动框架,通过元算法迭代优化双方策略并证明其收敛到子博弈完美均衡,进一步用深度Q学习扩展并应用于多代理硬币博弈,为去中心化AI智能体编排提供可扩展方法。
2024-10-07 cs.GT cs.LG cs.MA
When Contracts Get Complex: Information-Theoretic Barriers
Google Research(谷歌研究院);Tel Aviv University(特拉维夫大学);Stanford University(斯坦福大学)
研究发现,对于子模函数f和加法函数c,寻找最优合同需要指数级需求查询,揭示了信息论限制下的合同设计难题。
2025-11-25 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
The Sample Complexity of Online Contract Design
UC Berkeley(加州大学伯克利分校);Yale University(耶鲁大学);University of Michigan(密歇根大学)
研究在线隐藏行动委托-代理问题,提出在线学习算法并利用新离散化方法解决效用函数不连续性,首次给出无契约空间限制的Stackelberg regret上下界,证明了学习近优契约需指数级样本。
2023-05-19 cs.AI cs.GT cs.LG
Contracting With a Reinforcement Learning Agent by Playing Trick or Treat
研究委托-代理问题中委托人无法观测智能体隐藏动作的挑战,提出一种基于紧凑历史表示的高效算法计算最优策略,并设计方法使其实现近似激励兼容,仅引入可忽略的效用损失。
2024-10-17 cs.GT
Multi-Project Contracts
本文研究多项目合同设计问题,针对XOS奖励函数提出多项式时间常数近似算法,并开发了有上限次可加函数的近似需求查询方法。
2025-06-06 cs.GT
Fair Team Contracts
Politecnico di Milano(米兰理工大学);School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院);Department of Economics, National University of Singapore(新加坡国立大学经济系)
本文研究了在公平性约束下设计收益最优的团队合同问题,提出了基于加法和子模成功函数的高效算法,并展示了公平合同在收益上的优势。
2026-08-11 cs.GT
Adaptive Contract Design for Crowdsourcing Markets: Bandit Algorithms for Repeated Principal-Agent Problems
UCLA(加州大学洛杉矶分校);Microsoft Research(微软研究院)
众包市场已经成为一个流行的平台,可以将可用的工人与要完成的任务相匹配。对于特定任务的支付通常由任务的请求者设置,并且可以基于完成的工作的质量来调整,例如,通过使用“奖金”支付。在本文中,我们研究了请求者的问题,动态调整质量相依支付任务。我们考虑一个多轮版本的著名的委托代理模型,在每一轮的工人作出战略选择的努力水平,这是不直接观察到的请求。特别是,我们的制定显着推广的免费在线任务定价问题在以前的工作中研究。我们把这个问题作为一个多臂的强盗问题,每个“手臂”代表一个潜在的合同。为了处理大量的(实际上是无限的)手臂,我们提出了一种新的算法,不可知缩放,它将合同空间离散成有限数量的区域,有效地将每个区域视为一个单一的arm.This离散自适应细化,使合同空间的更有前途的区域最终被离散得更精细。我们分析了该算法,表明它实现了遗憾的时间范围内的次线性,并大大提高了非自适应离散化(这是文献中唯一的竞争方法)。我们的研究结果推进了几个不同主题的艺术状态:众包市场理论,委托代理问题,多武装土匪和动态定价。
2015-09-02 cs.DS cs.GT cs.LG
Combinatorial Contracts
本文提出组合契约模型,刻画代理人选择不可观测行动子集时的激励问题,证明 gross substitutes 下可通过多项式价值查询求最优契约,而次模情形为 NP 难。
2025-09-02 cs.GT
Learning Principal-Agent Contracts for Equitable Smallholder Carbon Farming under Moral Hazard and Adverse Selection
Indian Institute of Science (IISc)(印度科学理工学院)
本研究通过合同设计视角,利用强化学习求解POMDP模型,发现利润最大化的聚合机构会加剧而非缓解小农户在碳农业中的排斥,并提出按面积比例MRV成本可消除该差异。
2026-09-18 cs.GT cs.LG
Multi-Agent Contracts
Google Research, Switzerland(谷歌研究瑞士);Tel Aviv University, Israel(特拉维夫大学);University of Bonn, Germany(波恩大学)
本文研究了多代理合同设计问题,提出针对子模和XOS奖励函数的常数因子近似算法,并揭示了子加性函数在多代理设置中的不可能性。
2026-03-02 cs.GT
Algorithmic Contract Design for Crowdsourced Ranking
本文基于契约理论设计众包排序激励机制,通过抽查代理人的两两比较并按准确性付酬,仅需核验 O(log s) 次比较且可证明提高委托人总效用。
2024-01-25 cs.GT
Optimal Common Contract with Heterogeneous Agents
本文研究了具有异质代理人的委托代理问题。以往的研究假设委托人与每个代理人签订独立的激励合同,使他们在任务上投入更多的努力。然而,在许多情况下,为了公平起见,这些合同需要完全相同。研究了最优公共合同问题。据我们所知,这是第一次尝试考虑这一自然和重要的概括。我们首先证明这个问题是NP完全的。然后,我们给出了一个动态规划算法来计算在$O(n^2m)$时间内的最优契约,其中$n,m$是代理人和行动的数量,假设代理人的成本函数服从递增差性质。最后,我们推广的设置,使每个代理可以选择直接产生一个奖励在$[0,1]$。我们提供了一个$O(\log n)$ -近似算法的推广。
2019-11-11 cs.GT cs.MA
Online Multi-Agent Contracts
Google Research, Zurich(谷歌研究院苏黎世);Tel Aviv University(特拉维夫大学);Microsoft ILDC(微软以色列研发中心);University of Bonn(波恩大学)
该研究针对在线多智能体契约模型,设计了子模收益下O(1)竞争力的在线策略,还证明了子模与XOS收益在在线契约场景下的竞争力界限存在本质分离。
2026-08-20 cs.GT
On Supermodular Contracts and Dense Subgraphs
本文研究超模委托人效用下的组合契约设计:单智能体给出最优契约强多项式算法,多智能体证明近似困难并在等成本图估值情形下得到加法 PTAS,且揭示其与 k-最稠密子图问题的联系。
2023-08-14 cs.GT
Anonymous Contracts
Sapienza University of Rome(罗马第一大学);Google Research(谷歌研究院);Tel Aviv University(特拉维夫大学);EPFL(洛桑联邦理工学院)
本文研究了匿名合同在多智能体合同问题中的应用,证明了其在有限负债下的效率限制,并展示了去除有限负债后可实现社会福利的完全提取。
2026-02-12 cs.GT
Contracts with Private Cost per Unit-of-Effort
经济学理论区分了委托代理设置,其中代理人具有私人类型和代理人采取隐藏行动的设置。然而,许多实际问题涉及这两个方面。例如,品牌X可能寻求雇用影响者Y来创建要在社交媒体平台Z上发布的赞助内容。这个问题有一个隐藏的行动组件(品牌可能无法或不愿意观察影响者所付出的努力),但也有一个私人类型的组件(影响者可能有不同的单位努力成本)。这种“努力”和“单位努力成本”的观点自然导致了一个具有隐藏行动和单维私人类型的委托代理问题,它推广了Grossman和Hart [1983]契约理论的经典委托代理隐藏行动模型和Myerson [1981]的单维机制设计(采购版本)。这个模型的一个自然目标是设计一个激励相容的合同,它包括一个分配规则,将类型映射到动作,以及一个支付规则,将类型映射到所选动作的随机结果的支付。我们的主要贡献是一个线性规划(LP)的对偶性为基础的特点,可实施的分配规则,该模型适用于离散和连续类型。这一人物塑造与迈尔森著名的人物塑造结果有着重要的相似之处,但也与迈尔森著名的人物塑造结果有着显著的不同。我们提出了几个应用程序,包括多项式时间算法,找到最佳的合同与常数数量的行动。这与最近关于多维私人信息的隐藏行动问题的工作形成鲜明对比,该工作表明,计算恒定数量行动的最佳合同的问题是APX困难的。
2021-11-22 cs.GT