Online Bayesian Persuasion Without a Clue
针对发送者对先验和接收者一无所知的在线贝叶斯说服问题，提出一种基于非标准信号方案表示、搜索信号空间以学习接收者最佳响应的算法，实现次线性遗憾并给出紧下界。
2024-11-09 cs.GT
Differentially Private Bayesian Persuasion
本文研究差分隐私约束下的贝叶斯劝说问题，从后验发布和行动推荐两个视角刻画隐私对信息披露与发送方效用的影响，并给出最优信号方案的几何特征及多项式时间计算算法。
2024-02-24 cs.GT
Algorithmic Bayesian persuasion with combinatorial actions
贝叶斯说服是一种理解战略信息披露的模型：具有信息优势的代理人（称为发送者）通过向另一个代理人（称为接收者）发送信号来战略性地披露信息。在算法贝叶斯说服，我们感兴趣的是有效地设计发送者的信令方案，导致接收者采取有利于发送者的行动。本文研究了算法贝叶斯说服设置，其中接收者的可行行动由组合约束指定，例如，图中的拟阵或路径。我们首先表明，常数因子逼近是NP-困难的，即使在一些特殊情况下的拟阵或道路。然后，我们提出了一个多项式时间算法一般拟阵假设的自然状态的数量是一个常数。最后，我们考虑一个宽松的概念的说服力，称为CCE说服力，并提出了多项式时间逼近的充分条件。
2021-12-12 cs.DS cs.GT
Bayesian Persuasion with Mediators
一个有信息的发送者通过一系列无信息的中介者与一个无信息的接收者进行通信，代理的效用取决于接收者的行为和状态。对于任何数量的调解人，发送者的最佳值的特点。对于一个调解员，表征有一个几何意义的约束concavification发送者的效用，最佳的说服需要相同数量的信号，没有调解员，调解员的存在是从来没有有利可图的发送者。令人惊讶的是，第二个调解人可能会提高价值，但最佳说服可能需要更多的信号。
2022-09-11 cs.GT econ.TH
Rationality-Robust Information Design: Bayesian Persuasion under Quantal Response
针对贝叶斯说服中接收者可能有限理性（量化响应）的情况，研究理性稳健信息设计，识别最优信号结构保持条件，并构造在理性水平不确定时仍稳健的方案。
2023-11-11 cs.GT
Reaping the Informational Surplus in Bayesian Persuasion
贝叶斯说服模型研究了信息发送者和接收者之间的沟通，强调发送者从其信息优势中获取最大剩余的能力。在本文中，我们研究了一个设置与多个发送者，但在其中接收者只与一个发送者的他的选择：发送者提交的信号和接收器，然后选择，在过渡阶段，与发送者进行交互。我们的主要结果是，只要双方对彼此的偏好有一点点不确定，接收者就会在这个博弈的所有均衡中获得所有的信息盈余。
2020-06-03 cs.GT econ.TH
Bayesian Persuasion in Sequential Decision-Making
我们研究了一个动态模型的贝叶斯说服顺序决策设置。知情的委托人观察世界的外部参数，并建议不知情的代理人随着时间的推移采取行动。代理在每个时间步中基于当前状态、委托人的建议/信号以及关于外部参数的信念采取行动。代理的动作根据随机过程更新状态。该模型在许多应用中自然出现，例如，应用程序（当事人）可以基于应用程序具有的附加实时信息，就动作之间的可能选择向用户（代理）提出建议。我们从校长的角度研究了信号策略的设计问题。我们表明，主要有一个最佳的策略对近视代理，谁只优化他们的奖励本地，和最佳策略可以计算在多项式时间。相比之下，它是NP-困难的近似最优策略对一个有远见的代理。此外，如果委托人有能力通过不提供未来信号来威胁代理人，那么我们可以有效地计算基于威胁的策略。这一策略保证了委托人的收益，就像与一个有远见但对未来信号缺乏远见的代理人比赛一样。
2022-05-24 cs.GT
Sequential Persuasion Using Limited Experiments
贝叶斯说服及其衍生信息设计问题是近十年来经济学和计算学的主要研究课题之一。然而，当试图应用其模型和理论时，人们往往受到发送者只能实现非常有限的信息结构的事实的限制。此外，在这种情况下，发送者可以通过执行一系列可行的实验来实现更高的期望效用，其中每个实验的选择取决于所有先前实验的结果。事实上，人们已经很好地观察到，现实生活中的说服经常发生在发送者依次展示实验/论点的回合中。我们使用有限和无限实验序列研究发送者的期望效用最大化。对于无限序列的实验，我们的特征的发送者的预期效用的上确界使用的功能，概括了凹封闭定义在标准贝叶斯说服问题。有了这个特性，我们首先研究一个特殊的情况下，发送者可以使用可行的实验，以实现最佳的预期效用的标准贝叶斯说服没有可行性约束，这是一个平凡的效用上限，并建立结构的发现发送者的最佳顺序设计在这种情况下。然后，我们推导出发送方的最优序贯设计存在的条件;当最优序贯设计存在时，存在马尔可夫的最优设计，即，下一个实验的选择仅取决于接收者的当前信念。
2023-03-19 cs.GT
Designing Inferable Signaling Schemes for Bayesian Persuasion
该研究针对贝叶斯说服中接收方需通过重复交互推断信号方案的场景，推导性能损失与样本量界，提出两种可推断信号方案设计方法，并验证其在安全警报场景的有效性。
2025-10-01 cs.GT
Algorithmic Bayesian Persuasion
说服，被定义为利用信息优势来影响他人决策的行为，无处不在。事实上，据估计，说服性沟通几乎占美国所有经济活动的三分之一。本文通过计算的视角来审视说服力，重点关注该领域最基本和最根本的模型：卡梅尼卡和根茨科著名的贝叶斯说服模型。这里有两个参与者，一个发送者和一个接收者。接收者必须采取一系列行动中的一个，而这些行动的收益是先验未知的，而发送者可以获得关于这些收益的额外信息。发送者可以承诺揭示一个关于各种行为的收益实现的噪声信号，并且希望这样做以最大化她自己的收益，假设一个完全理性的接收者。我们研究了发送者的优化任务，在三个最自然的输入模型，这个问题，并基本上钉在每个计算复杂性。当不同行动的收益分布是独立同分布时。并明确给出，我们展示了一个多项式时间（精确）算法，和一个“简单的”$(1-1/e)$ -近似算法。我们的i.i.d.设置涉及到一个类比拍卖理论，并利用边界的表征空间的减少形式的单一项目拍卖。当行动支付是独立的，但不相同的边际分布明确给出，我们证明了它是P-困难的计算最优期望发送者效用。最后，我们考虑了一个一般的（可能相关的）联合分布的行动支付的黑盒抽样预言，并展示了一个完全多项式时间近似方案（FPTAS）的双标准保证。我们表明，这一结果是最好的可能在黑箱模型的信息理论的原因。
2016-02-15 cs.GT
Axiomatic Foundations of Bayesian Persuasion
Faculty of Economics, Okayama University（冈山大学经济学部）；Department of Economics, University of Southampton（南安普顿大学经济学系）；Department of Economics, Hitotsubashi University（一桥大学经济学系）
本文提出了贝叶斯说服的公理基础，通过新的模型和可观察数据方法，揭示了主导者在管理代理人偏见时的信息获取成本构建方法。
2025-12-29 cs.GT cs.IT econ.TH
Bayesian Persuasion with a Risk-Conscious Receiver
School of Mathematical Sciences, Peking University（北京大学数学科学学院）
研究在接收者使用条件价值风险（CVaR）而非期望效用评估行动时的贝叶斯说服，发现CVaR偏好破坏了标准行动直接推荐简化方法，但通过主动凹面片段揭示原理和精确线性规划解决，且识别出风险表示边界。
2026-05-12 cs.GT econ.TH
Bayesian Promised Persuasion: Dynamic Forward-Looking Multiagent Delegation with Informational Burning
Electrical and Computer Engineering, New York University（纽约大学电气与计算机工程系）
本文研究了一个委托人将决策权委托给一组知情的代理人的动态机制设计问题。我们认为，主要的私人拥有完整的知识，状态转换和研究她如何可以使用她的私人观察，以支持激励相容性的代表团通过信息燃烧，一个过程中，我们称之为前瞻性的说服。代理机制制定中，代理人形成的信念层次结构，由于说服和发挥动态贝叶斯博弈。我们提出了一种新的随机机制，称为贝叶斯承诺的代表团（BPD），其中定期激励相容性是由未来代表团的说服和承诺保证。我们证明了在平稳马尔可夫完美贝叶斯均衡中，BPD可以实现与原始机制相同的最优社会福利。建立了一个类似启示原则的设计制度，以表明与信念层次的说服，可以充分表征相关的随机化的代理的本地BPD机制与说服作为一个直接推荐的未来的承诺。
2022-01-16 cs.AI cs.GT cs.SY
Meta-Learning for Repeated Bayesian Persuasion
Bogazici University（博斯海夫大学）；University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出元说服算法，在在线贝叶斯说服和马尔可夫说服过程中，通过任务相似性实现更优的后悔率，同时在任意游戏序列下恢复单次游戏保证。
2026-03-20 cs.AI cs.GT cs.LG
Multi-Sender Bayesian Persuasion with Imperfect Information
IIT Hyderabad（印度理工学院海德拉巴分校）；IIIT Hyderabad（信息科学与技术研究所海德拉巴分校）
研究多发送者贝叶斯说服问题，分析接收者直接策略诱导的博弈，刻画发送者最佳反应及完全信息均衡条件。重要贡献是分析接收者先承诺的更一般行动策略诱导的博弈，表明其能改变问题并助接收者最大化收益与确保均衡。
2026-07-10 cs.GT
Leakage-Robust Bayesian Persuasion
UC Berkeley（加州大学伯克利分校）；MIT（麻省理工学院）
研究介于公开与私密贝叶斯说服间的抗泄漏贝叶斯说服，设计方案并量化抗泄漏代价，包括 $k$ - 最坏情况说服力和预期下游效用稳健性，表明子采样和掩码可转换方案，且某些情况下 $\mathsf{PoRU}$ 优于 $\mathsf{PoRP}$。
2026-07-14 cs.DS cs.GT cs.MA
Make an Offer They Can't Refuse: Grounding Bayesian Persuasion in Real-World Dialogues without Pre-Commitment
Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）；Peking University（北京大学）
该研究针对LLM策略性说服的不足，提出无预承诺的贝叶斯说服机制，实现两种变体并经多LLM与人类评估，验证其性能提升源于贝叶斯推理，且微调可缩小模型性能差距。
2026-09-01 cs.CL cs.GT
Bayesian Persuasion with Sequential Games
Politecnico di Milano（米兰理工大学）；University of Southampton（南安普顿大学）
我们研究了一个信息结构设计问题（A.K.A.）。说服）与一个单一的发送者和多个接收者与行动的先验未知类型，独立地从行动特定的边际分布。在标准贝叶斯说服模型中，发送者可以访问有关动作类型的附加信息，当她承诺（噪声）信号方案时，她可以利用这些信息向每个接收者发送私人信号。我们的模型的新颖性是在考虑的情况下，接收者在一个顺序的游戏与不完美的信息进行交互，与效用取决于游戏的结果和实现的动作类型。在正式的概念，事前和临时的说服力（不同的时间，接收器承诺遵循发送者的信令方案），我们调查的连续优化问题计算的信令方案，最大限度地提高发送者的预期收入。我们表明，当有三个或更多接收者时，计算最佳的事前说服性信号方案是NP难的。与以前的硬度的临时说服的结果相比，我们表明，对于两个接收器的游戏，一个最佳的事前说服信号方案可以计算在多项式时间由于一个新的算法的基础上，我们提出的椭球方法。
2019-08-02 cs.AI cs.GT
Regret-Minimizing Bayesian Persuasion
我们研究了贝叶斯说服设置与二元行动（采用和拒绝）的接收器。我们研究了以下问题--在不了解接受者的效用的情况下，在说服接受者采纳方面，接受者能做得多好？我们采取了一个强大的（对抗）的方法来研究这个问题，也就是说，我们的目标是设计信令方案，执行良好的所有可能的接收器的实用程序。我们通过（添加剂）遗憾的概念来衡量信号方案的性能：假设接收器的效用函数与给定方案引起的实际效用之间的差异。在消极的一面，我们表明，如果不知道在所有接收器的效用，那么不知道有没有信号方案，表现稳健。在积极的一面，我们表明，如果只知道接收器的自然状态的顺序偏好-即，接受者的效用是单调的状态的函数-那么即使状态的数量趋于无穷大，它也可以保证令人惊讶的低后悔。事实上，我们精确地确定了在这种情况下，最小后悔值可以保证，最多是1/e。我们进一步表明，这种积极的结果是不可能的乘法近似比的替代性能指标下，证明没有恒定的比率可以保证，即使单调接收器的效用，这可能有助于证明的优点，后悔作为一个强大的性能指标，是不是太悲观。最后，我们分析了一个中间设置之间的无知识和普通知识的设置。
2021-05-28 cs.GT
Bayesian Persuasion under Ex Ante and Ex Post Constraints
贝叶斯说服是研究战略代理人之间的信息共享策略。一个最好的例子是在线广告拍卖中的信号：当向用户出售广告机会时，平台应该向广告商发出关于用户的什么信息？防止歧视、保护隐私或承认信息接收者注意力有限等实际考虑因素对信息共享施加了限制。在这项工作中，我们提出并分析了一个简单的方法来数学建模，如限制接收器的容许后验信念的限制。我们考虑两个家庭的约束-事前和事后，后者限制发送者-接收者通信的每个实例，而前者更一般的家庭也可以构成限制的期望。对于事前族，Doval和Skreta建立了具有少量信号的最优信号方案的存在性-至多是约束的数量加上自然状态的数量;我们证明了这个结果是紧的，并提供了另一种证明。对于事后族，我们收紧了Vølund的界，表明所需的信号数至多是自然状态数，就像卡梅尼卡-根茨科的原始场景一样作为我们的主要算法的结果，我们提供了一个添加剂的双标准FPTAS的最优约束信令方案假设一个恒定的状态数，我们提高了近似的Slater的正则性条件下的单标准。FPTAS在标准假设下成立;放松的假设产生PTAS。最后，我们确定了凸事前约束下Sender的最佳效用与相应的事后约束之间的比率。这个界限适用于找到一个近似福利最大化的约束信令方案在广告拍卖。
2021-04-11 cs.GT
Multi-Receiver Online Bayesian Persuasion
Politecnico di Milano（米兰理工大学）
贝叶斯说服研究的是一个知情的发送者应该如何部分地披露信息，以影响一个自利的接收者的行为。经典模型严格假设发送者知道接收者的效用。这可以通过考虑一个在线学习框架来放松，在这个框架中，发送者反复面对一个未知的、敌对选择类型的接收者。我们研究，第一次，一个在线贝叶斯说服设置多个接收器。我们专注于没有外部性和二元行为的情况下，在离线模型中的习惯。我们的目标是为发送者设计一个每次迭代运行时间为多项式的无悔算法。首先，我们证明了一个否定的结果：对于任何$0 < α\leq 1$，不存在多项式时间的无$α$后悔算法时，发送者的效用函数是超模或匿名的。然后，我们专注于次模块发送者的效用函数的情况下，我们表明，在这种情况下，它是可能的设计多项式时间无$(1 - \frac{1}{e})$遗憾算法。为此，我们引入了一个通用的在线梯度下降方案来处理有限数量的可能损失函数的在线学习问题。这需要存在一个近似的投影预言。我们表明，在我们的设置中，存在一个这样的投影预言机，它可以在多项式时间内实现。
2021-06-11 cs.AI cs.GT
Information Bargaining: Bilateral Commitment in Bayesian Persuasion
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Tongji University（同济大学）
针对长期贝叶斯说服的 NP 困难问题，论文提出双边承诺的信息讨价还价框架，区分信息优势与先提议者优势，并用 GPT-o3、DeepSeek-R1 验证其预测。
2025-06-09 cs.AI cs.GT
Bayesian Persuasion for Algorithmic Recourse
Carnegie Mellon University（卡内基梅隆大学）
当进行自动决策时，决策主体可能会以他们认为最大化他们获得有利决策的机会的方式策略性地修改他们的可观察特征。在许多实际情况下，潜在的评估规则被故意保密，以避免游戏和保持竞争优势。由此产生的不透明性迫使决策主体在进行战略性特征修改时依赖于不完整的信息。我们捕捉这样的设置作为一个游戏的贝叶斯说服，决策者提供了一种形式的追索权的决策主体，为他们提供一个行动建议（或信号），以激励他们修改自己的功能在理想的方式。我们发现，当使用说服，决策者和决策主体的预期是从来没有更糟，而决策者可以显着更好。虽然决策者的问题，找到最佳的贝叶斯激励兼容（BIC）的信号政策的形式优化无限多的变量，我们表明，这种优化可以被铸造为一个线性规划在有限的许多区域的空间可能的评估规则。虽然这种重新表述极大地简化了问题，但求解线性规划需要对指数多变量进行推理，即使在相对简单的情况下也是如此。出于这种观察，我们提供了一个多项式时间近似方案，恢复一个接近最优的信令策略。最后，我们的半合成数据的数值模拟经验证明了在算法追索权设置中使用说服的好处。
2022-10-07 cs.GT cs.LG
Bayesian Persuasion with State-Dependent Quadratic Cost Measures
我们解决贝叶斯说服发送者和接收者之间的状态依赖的二次成本措施一般类的分布。接收方试图根据发送方发送的信号对状态进行均方误差估计，而发送方则有策略地发送信号，以便以某种方式控制接收方的估计。这种方案可以模拟，例如，欺骗和隐私，多代理系统中的问题。现有的解决方案的概念是不可行的，因为这里的接收器具有连续的动作空间。我们表明，对于有限的状态空间，最佳的信令策略可以通过一个等价的线性优化问题的锥上的完全正矩阵计算。然后，我们建立其强对偶的一个共正计划。为了验证这一等价结果的有效性，我们采用了完全正锥的序贯多面体逼近，并对其性能进行了数值分析。我们还量化了一个连续分布的量化版本的近似误差，并表明，一个半定的程序放松的等价问题可能是一个基准下限发送者的成本为大的状态空间。
2020-09-11 cs.GT math.OC
Bayesian Persuasion Meets Mechanism Design: Going Beyond Intractability with Type Reporting
贝叶斯说服研究的是知情的发送者如何部分地披露信息，以影响自利的接收者的行为。在过去的几年里，越来越多的注意力已经致力于放松假设，发送者完全知道接收者的收益。实现这一目标的第一个关键步骤是研究每个接收者的收益取决于其未知类型的设置，这是随机确定的一个已知的有限支持的概率分布。这带来了相当大的计算挑战，因为计算发送方最优信令方案在任何恒定因子内都是不可近似的。在这项工作中，我们绕过这个问题，利用机制设计的想法。特别是，我们引入了一个类型报告步骤，其中接收器被要求报告他们的类型发送器，后者已提交到一个菜单定义的信令方案，为每个可能的接收器的类型后。我们证明，与一个单一的接收器，除了这种类型的报告阶段，使发送者的计算问题易于处理。然后，我们将我们的框架扩展到多个接收器的设置，专注于没有代理间外部性和二元行为的情况。我们表明，它是可能的，以找到一个发送器的最佳解决方案，在多项式时间的椭圆形方法，获得一个合适的多项式时间分离的预言。这可以实现超模块和匿名发送者的实用程序函数。对于次模发送者效用函数的情形，我们首先将发送者问题近似地转化为一个线性约束数学规划，其目标函数是发送者效用函数的多线性扩展。然后，我们展示了如何找到在多项式时间的一个近似的解决方案，通过一个连续的贪心算法的程序。这提供了问题的（1 - 1/e）-近似。
2022-09-01 cs.GT
Bayesian Persuasion for Containing SIS Epidemics with Asymptomatic Infection
本文研究智能体在不知自身感染状态下的SIS流行病防护决策，采用贝叶斯劝说框架刻画含噪信号下的纳什均衡，并比较部分与完全信息披露对均衡感染率的影响。
2024-09-04 cs.GT cs.SY eess.SY
Public Bayesian Persuasion: Being Almost Optimal and Almost Persuasive
Politecnico di Milano（米兰理工大学）
说服学研究的是知情的委托人如何通过策略性地提供与收益相关的信息来影响代理人的行为。我们专注于Arieli和Babichenko（2019）的基本多接收者模型，其中没有代理人间的外部性。与以前的作品在这个问题上，我们研究了公共说服问题的一般设置：（i）任意状态空间;（ii）任意动作空间;（iii）任意发送者的效用函数。我们充分描述了计算最佳公共信令方案的双准则近似的计算复杂性。特别是，我们表明，在独立利益的投票设置，解决这个问题需要至少一个准多项式的步骤，即使在设置与二进制动作空间，假设指数时间假设。在这样做，我们证明了一个放松的版本的最大可行子系统的线性不等式问题至少需要准多项式时间来解决。最后，我们提供了一个准多项式时间的双标准近似算法任意公共说服问题，在特定的设置，产生一个QPTAS关闭的差距。
2020-03-31 cs.AI cs.CC cs.GT
Bayesian Persuasion with Externalities: Exploiting Agent Types
Bar-Ilan University（巴伊兰大学）；University of Oxford（牛津大学）
研究具有外部性的贝叶斯劝说问题，针对智能体类型划分，提出LP公式在常数偏离下多项式时间求解最优信号策略，否则NP难。
2024-12-17 cs.AI cs.GT
Verbalized Bayesian Persuasion
Tongji University（同济大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；East China Normal University（华东师范大学）；Vector Institute（矢量研究所）
本工作提出首个基于LLM的言语化贝叶斯说服框架，将其映射为言语化扩展式博弈，并结合LLM与博弈求解器设计广义均衡求解算法，在对话场景中有效重现理论结果并发现复杂说服策略。
2025-02-03 cs.AI cs.GT cs.LG
Bayesian Persuasion in Sequential Trials
我们考虑贝叶斯说服或信息设计问题，发送者试图说服接收者通过一系列信号采取特定的行动。我们通过考虑基于先前实验结果进行不同实验的多阶段试验来建模。与大多数文献相比，我们考虑的问题与信号施加在发送者的约束。我们通过以一种外生的方式固定某些实验来实现这一点;这些实验被称为确定实验。这种建模有助于我们理解发生这种情况的真实情况：例如，多阶段药物试验，其中FDA确定了一些实验，由风险投资公司资助启动，由大公司进行的启动收购，其中后期评估由潜在收购方决定，多轮工作面试，候选人最初通过展示他们的资格来发出信号，但其余的筛选程序由面试官决定。多阶段试验中的非确定性实验（信号）由发送方选择，以便最好地说服接收方。随着世界的二进制状态，我们开始推导出最佳的信号策略，在唯一的非平凡配置的两阶段试验与二进制结果的实验。然后，我们推广到多阶段试验与二进制结果的实验，其中确定的实验可以放置在任何选定的节点在试验树。在这里，我们提出了一个动态规划算法来获得最佳的信令策略，使用两阶段试验解决方案的结构见解。我们还对比了最优的信号策略结构与经典的贝叶斯说服策略，突出的信号约束对发送者的影响。
2021-11-22 cs.GT econ.TH
Reputation-based Persuasion Platforms
本文提出两阶段贝叶斯说服模型，研究第三方平台控制信息以最大化用户效用的最优披露策略，并扩展到重复博弈中通过声誉机制惩罚不诚实发送者，简化平台优化。
2024-07-20 cs.GT
Hierarchical Bayesian Persuasion: Importance of Vice Presidents
我们研究战略信息传输中的层次设置，信息通过代理链传输到决策者的行动是重要的，每个代理。当代理人只能通过中介链与决策者沟通时，这种情况就会出现，例如，公司中的入门级工人和首席执行官，或者政府中的指挥链底部的官员和总统。每个代理人都可以决定隐藏她收到的部分或全部信息。证明我们可以专注于简单的均衡，其中唯一隐藏信息的玩家是第一个，我们提供了一个易于处理的递归表征的均衡结果，并表明它可能是低效的。有趣的是，在二元行为的情况下，不管中介的数量如何，有几个关键的中介决定了传达给决策者的信息量。在这种情况下，我们的结果强调了选择一个关键的副总裁的重要性，以最大限度地提高CEO或总裁的回报。
2022-07-13 cs.GT econ.TH
On the Price of Transparency: A Comparison between Overt Persuasion and Covert Signaling
本文提出透明度代价（PoT）概念，通过 Z-programming 方法求解完美贝叶斯均衡，比较公开说服与隐蔽信号两种信息结构，证明透明信息结构总是对信息提供者有利（0≤PoT≤1），并用数值实验验证结论。
2023-11-30 cs.GT
Informativeness and Trust in Bayesian Persuasion
研究贝叶斯劝说中发送方与接收方的交互，通过线性规划刻画Stackelberg博弈值与信任约束，定义并量化发送方信息量，推广了确定性策略下的先前工作。
2024-08-25 cs.GT cs.SY econ.TH
DaringFed: A Dynamic Bayesian Persuasion Pricing for Online Federated Learning under Two-sided Incomplete Information
School of Computer Science and Technology, Wuhan University of Science and Technology（武汉科技大学计算机科学与技术学院）；Key Laboratory of Social Computing and Cognitive Intelligence (Dalian University of Technology), Ministry of Education, China（大连理工大学社会计算与认知智能重点实验室（教育部））；Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System, Wuhan University of Science and Technology, China（湖北省智能信息处理与实时工业系统重点实验室（武汉科技大学））；College of Computer Science, Inner Mongolia University, China（内蒙古大学计算机学院）；School of Computer Science and Technology, Huazhong University of Science and Technology, China（华中科技大学计算机科学与技术学院）；School of Automation, Southeast University, China（东南大学自动化学院）
本文针对在线联邦学习中双边不完全信息下的激励机制问题，提出动态贝叶斯劝说定价方法DaringFed，通过信号传递与定价博弈实现近似最优设计，并在真实和合成数据集上验证其能提升准确率、收敛速度及服务器效用。
2025-05-09 cs.GT cs.LG stat.ML
Algorithms for Persuasion with Limited Communication
战略沟通的贝叶斯说服范式模型之间的相互作用，一个私人知情的代理人，称为发送者，和一个无知的，但理性的代理人，称为接收者。目标通常是为发送方设计（接近）最佳的通信（或信令）方案。它使发送者能够向接收者披露信息，以激励她采取发送者更喜欢的行动。已知找到最佳信令方案通常在计算上是困难的。当对消息空间的大小也有约束时，这种困难进一步加剧，导致在任何常数因子内近似最优发送者效用的NP-困难。在本文中，我们表明，在几个自然和突出的情况下，即使消息空间是有限的优化问题是易于处理的。特别是，我们研究信号下的对称性或独立性的假设分布的效用值的行动。对于对称分布，我们提供了一个新的表征的最佳信令方案。它的结果在多项式时间算法来计算一个最佳的计划，许多compensated对称分布。在独立情况下，我们设计了一个常数因子的近似算法，这与一般情况下的近似困难形成了鲜明的对比。
2021-06-18 cs.GT
Persuading a Behavioral Agent: Approximately Best Responding and Learning
Harvard University（哈佛大学）
本文研究接收者仅能近似最优响应时的贝叶斯说服问题，证明该行为对发送者最大可实现效用影响有限，并进一步分析学习型接收者场景下发送者有时可获得更高收益。
2024-02-22 cs.GT cs.LG econ.TH
A Scalable Bayesian Persuasion Framework for Epidemic Containment on Heterogeneous Networks
在流行病期间，社会中个人可获得的信息深刻地影响了他们对流行病传播的信念，从而影响了他们为免受感染而采取的预防措施。在本文中，我们开发了一个可扩展的框架，以确定最佳的信息披露，政府必须在网络化社会中的个人的流行病遏制的目的。社会的异质性、个人面临的正外部性以及公众对此类披露的反应的多样性使信息设计问题变得复杂。我们使用网络公共产品模型来捕捉潜在的社会结构。我们的第一个主要结果是政府的目标结构分解成两个独立的组件-一个组件依赖于个人的效用函数，另一个依赖于底层网络的属性。由于这种分解中的网络依赖项不受政府发出的信号的影响，这种特征简化了寻找最优信息披露政策的问题。我们发现，在风险规避和谨慎方面，明确的条件下，不披露，充分披露，夸大和淡化是最优的政策。结构分解的结果也有助于研究其他形式的干预措施，如激励设计和网络设计。
2022-07-23 cs.GT cs.SY econ.TH
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
Persuasive Prediction via Decision Calibration
针对大状态空间下无共同先验的贝叶斯说服，提出基于决策校准的预测学习方法，实现高效算法并匹配已知先验的效用。
2025-05-22 cs.GT
Bayesian Exploration with Heterogeneous Agents
Microsoft Research（微软研究院）；University of Pennsylvania（宾夕法尼亚大学）；University of Minnesota（明尼苏达大学）
在推荐系统中，当用户在不确定性下做出策略选择时，他们既消费又生产信息。虽然社会规划者会使用多臂强盗算法来平衡“探索”和“剥削”，但用户的激励可能会使这种平衡倾向于剥削。我们考虑贝叶斯探索：一个简单的模型，其中推荐系统（“委托人”）控制着流向用户（“代理人”）的信息流，并通过信息不对称来激励探索。这个模型的一个回合是一个著名的“贝叶斯说服游戏”的版本[Kamenica和Gentzkow]。我们允许不同的用户，放宽了一个主要的假设，从以前的工作，用户有相同的偏好，从一个时间步到另一个。现在的目标是学习最好的个性化推荐。一个特别的挑战是，无论主体做什么或她有多少时间，都不可能激励某些用户类型采取某些操作。我们考虑了几个版本的模型，这取决于用户类型是否以及何时报告给委托人，并为每个版本设计了一个接近最优的“推荐策略”。我们还研究了模型的选择和用户类型的多样性如何影响可能被“探索”的每种类型的动作集。
2019-02-19 cs.GT cs.LG
