Strategy-proofness, Envy-freeness and Pareto efficiency in Online Fair Division with Additive Utilities
我们考虑公平分工问题，不可分割的项目到达一个接一个在网上的时尚，并立即分配给代理商谁拥有这些项目的附加效用。许多现有的离线机制在这种在线设置中不起作用。此外，许多现有的公理化结果往往不能从离线转移到在线设置。出于这个原因，我们在这里提出了三个新的在线机制，以及考虑的公理属性的三个先前提出的在线机制。在本文中，我们使用这些机制和在线机制的特点是战略证明类，并返回无嫉妒和帕累托有效的分配，以及这些属性的组合。最后，我们确定了一个重要的不可能结果。
2020-06-29 cs.GT
Collaborative Data Acquisition
ShanghaiTech University（上海科技大学）
我们考虑一个请求者，他获取了一组不属于一方的数据（例如图像）。为了收集尽可能多的数据，众包机制被广泛用于向人群寻求帮助。然而，现有的机制依赖于第三方平台，这些平台的工作人员不一定有帮助，冗余数据也没有得到适当的处理。为了解决这个问题，我们提出了一种新的基于社交网络的众包机制，其中的工人的奖励计算信息熵和修改Shapley值。这种机制激励网络中的工作人员不仅提供他们拥有的所有数据，而且还进一步邀请他们的邻居提供更多数据。最终，该机制能够从网络上的所有工作者获取所有数据，并且请求者的成本不超过所获取的数据的价值。实验表明，我们的机制优于传统的众包机制。
2020-02-27 cs.AI cs.GT
Dashboard Mechanisms for Online Marketplaces
本文给出了一个理论模型的设计和分析机制的在线市场的投标仪表板，使出价优化的长寿代理。我们假设，一个很好的分配算法存在时，给定的代理人的真实价值，我们开发在线赢家支付出价和所有支付机制，实现相同的结果的算法与援助的投标仪表板。我们开发的投标仪表板与机制一起工作，以保证根据仪表板投标在战略上等同于（效用差异消失）在分配算法的顺序真实实现中真实地投标。我们的仪表板机制在每个阶段只对分配算法进行一次调用。
2019-09-03 cs.GT
Striking a Balance: An Optimal Mechanism Design for Heterogenous Differentially Private Data Acquisition for Logistic Regression
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对隐私敏感卖家的数据获取问题，提出一种最优机制设计，通过两步优化框架和在线算法，在异构差分隐私保证下求解逻辑回归，平衡模型性能、隐私保护与支付成本。
2024-10-17 cs.GT cs.LG
Online Mechanism Design for Cloud Computing
研究了云计算中资源分配与定价的在线机制设计问题。我们发现，在一般的分配问题，在RAPCC是NP难的，因此，我们专注于设计优势策略激励兼容（DSIC）机制具有良好的竞争比相比，离线最优分配（与先验知识的未来工作）。我们提出了两种DSIC在线机制。第一种机制基于贪婪分配规则，利用优先级函数进行分配，速度非常快，并且具有严格的竞争边界。本文讨论了指数型和线性型两种优先函数，指出指数型优先函数具有更好的竞争比。第二种机制是基于动态规划的分配机制，当云客户的最大需求接近云提供商的能力时，第二种机制也具有较强的竞争比，表现优于第一种机制。
2014-03-07 cs.GT
Frugal Online Incentive Mechanisms for Crowdsourcing Tasks Truthfully
移动人群感知（MCS）是一种新的模式，它利用无处不在的智能手机来有效地收集数据，从而实现许多新颖的应用。为了实现良好的服务质量的MCS应用，激励机制是必要的，以吸引更多的用户参与。大多数现有的机制只适用于离线的情况下，所有用户的信息是已知的先验。相反，我们关注的是一个更现实的场景，用户以随机顺序一个接一个地在线。基于在线拍卖模型，研究了用户在到达时向众包者提交个人信息的问题，众包者的目标是在指定的截止日期之前选择一部分用户，使总支付最小，同时完成指定数量的任务，设计了三种在线机制：Homo-OMZ，Hetero-OMZ和Hetero-OMG，它们都能满足计算效率，个人理性、成本真实性和消费者主权。Homo-OMZ机制适用于同质用户模型，能够满足社会效率但不满足恒节俭。Hetero-OMZ和Hetero-OMG机制适用于同构和异构用户模型，并能满足恒定的节俭性。此外，Hetero-OMG机制还可以满足时间真实性。通过大量的模拟，我们评估的性能和验证我们的在线机制的理论属性。
2014-04-09 cs.GT
Online Truthful Mechanisms for Multi-sided Markets
多边市场机制的研究越来越受到研究界的关注，并受到网络和电子商务中此类市场的众多例子的推动。这些例子中的许多代表了动态和不确定的环境，因此，实际上需要在线机制。不幸的是，据我们所知，以前没有任何一个多边市场（甚至是双边市场）的在线机制能够（近似）最大化贸易收益，同时保证理想的经济属性，如激励诚实，自愿参与和避免预算赤字。在这项工作中，我们提出了第一个在线机制的多边市场具有上述属性。我们的机制是为[Feldman and Gonen（2016）]建议的市场环境而设计的;这是由可预见的未来在线广告形式所推动的。我们设定的在线性质促使我们定义了一个更强的个体理性概念，称为“持续的个体理性”，捕捉了玩家永远不会因为参与机制或过早离开而失败的自然要求。满足连续的个人理性的要求，以及我们的机制保证的其他经济属性，需要该机制使用一种新的定价方案，在该机制的执行过程中，用户可以获得持续的增量支付到一个预先知道的最大值。由于用户在现实中很少得到报酬，这种定价方案对于机制设计来说是新的。然而，它所基于的原则可以在许多常见的现实生活场景中观察到，例如高管薪酬支付和公司收购交易。我们相信，我们新的动态定价方案概念和我们强化的个人理性概念都具有独立的利益。
2016-09-06 cs.GT
Competitive Online Truthful Time-Sensitive-Valued Data Auction
在这项工作中，我们研究在线交易时间敏感的有价值的数据的机制。我们采用连续函数$d(t)$来表示数据值随时间的波动$t$。我们的目标是设计一个\emph{online}机制，实现\emph{truthfulness}和\emph{revenue-competitiveness}。我们首先证明了几个下界的收入竞争比在各种假设下。然后，我们提出了几个在线真实拍卖机制，各种对抗模型，如随机的先买后选机制$\mathcal{M}_1$，并证明了它是\textit{truthful}和$Θ(\log n)$ -竞争在一些假设下。然后，我们提出了一个有效的真实加权选择机制$\mathcal{M'}_W$通过放松的折扣类的大小的假设。我们证明了它实现了一个竞争比$Θ(n\log n)$的任何已知的非减折扣函数$d(t)$，和在每个折扣类$n_c \ge 2$的购买者的数量。当最佳的预期收入$OPT_1$可以估计在一个常数的因素，即$c_0 \cdot OPT_1 \le Z \le OPT_1 $为一些恒定的$c_0 \in(0,1)$，我们提出了一个真实的在线发布价格机制，实现了恒定的竞争比$\frac{4}{c_0}$。我们广泛的数值评估表明，我们的机制在大多数情况下表现非常好。
2022-10-20 cs.GT
Randomized Revenue Monotone Mechanisms for Online Advertising
在线广告是许多互联网公司的主要收入来源。在线广告的一个核心组成部分是为给定广告位选择获胜广告并为其定价的基本机制。在本文中，我们研究设计一种机制的组合拍卖与相同的项目（CAII），我们有兴趣出售$k$相同的项目，一组投标人，每个要求一定数量的项目之间的$1$和$k$。CAII概括了重要的在线广告场景，如图像-文本和视频-pod拍卖[GK 14]。在图像-文本拍卖中，我们希望用$k$文本广告或单个图像广告来填充发布者网页上的广告位，而在视频-吊舱拍卖中，我们希望用可能不同持续时间的视频广告来填充$k$秒的广告间隙。我们的目标是设计满足收入单调性（RM）的真实机制。RM是一个自然约束，它指出，如果参与者的数量增加，或者如果一个参与者增加她的出价，机制的收入不应该减少。[GK 14]表明，对于CAII，没有确定性RM机制可以获得小于$\ln(k)$的PoRM，即，没有确定性机制可以获得大于最大社会福利的$\frac{1}{\ln(k)}$部分。[GK 14]还设计了一种基于PORM的$O(\ln^2(k))$的CAII机制。在本文中，我们试图克服[GK 14]的不可能性结果确定性机制，通过使用随机化的力量。我们表明，通过使用随机化，可以达到一个常数PoRM。特别是，我们设计了一个随机RM机制，PORM为$3$的CAII。
2015-07-01 cs.GT
An Incentive Mechanism for Periodical Mobile Crowdsensing from a Frugality Perspective
移动人群感知（MCS）由于其灵活和普遍的感知能力，近年来得到了广泛的研究。虽然已经建立了许多激励机制来吸引广泛的用户参与，但这些机制大多只关注独立任务场景，其中感知任务彼此独立。相反，我们专注于一个周期性的任务的情况下，每个用户定期参与相同类型的传感任务。在本文中，我们考虑了长期用户参与激励一般期刊MCS系统从节俭支付的角度。我们探讨的问题下半在线（期间内的互动过程是同步的，而期间间的互动过程是顺序和异步在每个时期）和在线用户到达模型（前两个互动过程是顺序和异步）。特别是，我们首先提出了一个半在线节俭的激励机制，通过引入李雅普诺夫方法。此外，我们还将其扩展到一个在线的节俭激励机制，它满足恒定的节俭。此外，这两种机制还能满足计算效率、渐近最优性、个体理性和真实性等要求。通过大量的模拟，我们评估的性能和验证我们的在线机制的理论属性。
2015-05-14 cs.GT
Optimal Data Acquisition for Statistical Estimation
我们考虑一个数据分析师的问题，从战略代理购买数据来计算一个无偏估计的统计数据的兴趣。代理人承担私人成本，以揭示他们的数据和成本可以任意与他们的数据。数据一经披露，即可进行核实。本文主要研究线性无偏估计。我们设计了一个个体理性和激励相容的机制，优化了最坏情况下的估计均方误差，其中最坏情况是在成本和数据之间的未知相关性，受预算约束的预期。我们在封闭形式的最优机制的形式特征。我们进一步扩展我们的结果，以获取数据，估计回归分析中的参数，其中私人成本可以与因变量的值，但不与自变量的值相关。
2018-09-05 cs.DS cs.GT
Online Auction-Based Incentive Mechanism Design for Horizontal Federated Learning with Budget Constraint
联邦学习使数据隔离的各方能够在满足隐私保护的同时协作和有效地训练模型。为了获得高质量的模型，激励机制是必要的，以激励更多具有数据和计算能力的高素质工作人员。现有的激励机制应用于离线场景，其中任务发布者收集所有出价并在任务之前选择工人。然而，实际上，不同的工人在任务之前或任务期间以不同的顺序在线到达。因此，我们提出了一种基于反向拍卖的在线激励机制，用于预算约束的水平联邦学习。工人们在网上提交投标。预算有限的任务发布者利用到达的工作者的信息来决定是否选择新工作者。理论分析表明，我们的机制满足预算的可行性，计算效率，个人理性，消费者主权，时间真实性，成本真实性与足够的预算。实验结果表明，我们的在线机制是有效的，可以获得高质量的模型。
2022-05-17 cs.AI cs.GT
A Survey of Online Auction Mechanism Design Using Deep Learning Approaches
Columbia University（哥伦比亚大学）
近年来，网上拍卖已经非常普遍。平台管理者正在努力完善他们的拍卖机制，在保持公平的资源分配的同时产生高额利润。随着计算技术的进步和理论框架的瓶颈，研究人员正在转向使用深度学习方法进行在线拍卖设计。在这篇文章中，我们总结了拍卖机制设计中采用的一些常见的深度学习基础设施，并展示了这些架构是如何发展的。我们还讨论了研究人员如何在大型和动态的工业环境中处理限制和问题。最后，我们指出了几个目前尚未解决的问题，为未来的方向。
2021-10-11 cs.GT cs.LG
Optimal and Differentially Private Data Acquisition: Central and Local Mechanisms
Fuqua School of Business（福夸商学院）；Rotman School of Management（罗特曼管理学院）
本文研究平台从隐私敏感用户处收集数据的最优机制设计，在中心化和本地化差分隐私设置下建立极小极大下界并开发高效算法，实现最优估计与真实报告。
2023-09-06 cs.CR cs.GT cs.LG
Posted Price Mechanisms for Online Allocation with Diseconomies of Scale
本文针对具有规模不经济的在线k-选择问题提出一种随机化动态定价机制，在小库存下实现最优性能，在大库存下超越现有方法，并给出更紧的竞争比下界。
2025-02-04 cs.DS cs.GT
PRINCE: Privacy-Preserving Mechanisms for Influence Diffusion in Online Social Networks
由于方程1中的一个关键符号错误，本文已被作者撤回。随着在线社交网络的发展，人们对如何在在线社交网络中传播影响力进行了广泛的研究，提出了许多算法和模型。然而，许多基本问题也被忽视了。其中，最重要的问题是在线社交网络中影响力传播的激励方面和隐私方面（如节点关系）。考虑到这些缺陷，并结合强大的工具，从差分隐私，我们提出了PRINCE，这是一系列的\underline{IN}流感\underline{CE}在网上社交网络的扩散，以解决问题的\underline{PR} ivacy保护机制。我们不仅从理论上证明了PRINCE的许多优良性质，而且还实现了PRINCE，以广泛地评估其性能。评估结果表明，PRINCE取得了良好的性能。据我们所知，PRINCE是在线社交网络中第一个差异化的影响力扩散机制。
2014-02-12 cs.GT cs.SI
Incentive-compatible mechanisms for online resource allocation in mobility-as-a-service systems
在“一切都是服务”的背景下，运输部门一直在朝着以用户为中心的商业模式发展，在这种模式下，定制服务和与模式无关的移动资源在统一的框架中定价。然而，在绝大多数关于移动即服务（MaaS）系统的研究中，移动资源定价是基于细分的出行模式，例如私人车辆、公共交通和共享移动服务。本研究试图通过引入创新的基于拍卖的在线MaaS机制来解决这一研究空白，在该机制中，用户可以根据他们的支付意愿和偏好竞标任何数量的模式无关的移动资源。我们从MaaS监管机构的角度出发，旨在通过向用户分配移动资源来最大限度地提高社会福利。我们提出了两种机制，允许用户支付立即使用的移动服务（即付即走），或订阅移动服务包（即付即包）。我们将提出的基于拍卖的机制作为在线资源分配问题，其中用户竞争MaaS资源并竞标每次旅行的旅行时间。我们提出了（整数）线性规划配方，以适应用户出价的基础上可用的移动性资源的在线优化方法。我们表明，所提出的MaaS机制是激励兼容的，开发定制的在线算法，并根据竞争分析得出性能界限。大量的数值模拟进行了大规模的实例从现实的移动性数据，突出了所提出的MaaS机制的好处和所提出的在线优化方法的有效性。
2021-03-29 cs.GT math.OC
VCG Payments for Portfolio Allocations in Online Advertising
一些在线广告只有在广告引起回应时才付费。回复率的随机性和不确定性使得显示这些广告对在线出版商来说是一项风险投资。与金融投资者一样，出版商可以在多个广告产品上使用投资组合分配，以在控制风险的同时追求收入。多个报价的分配没有明显的赢家和亚军，因此通常的第二价格机制不适用。本文提出了一种投资组合配置的定价机制。该机制高效、真实，并提供降低风险的奖励。
2015-06-05 cs.GT q-fin.RM
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
An Online Mechanism for Ridesharing in Autonomous Mobility-on-Demand Systems
University of California, Irvine（加州大学欧文分校）；Masdar Institute of Science and Technology（马斯达尔科学技术研究所）
在适当的管理下，自主移动按需（AMoD）系统通过提供安全，方便和负担得起的拼车服务，具有满足城市人口交通需求的巨大潜力。同时，这些系统可以大大减少私家车的拥有和使用，从而大大减少交通拥堵、能源消耗和碳排放。为了实现这一目标，AMoD系统需要关于乘客需求的私人信息。然而，由于自身利益，乘客不太可能在这方面与服务提供者合作。因此，在线机制是可取的，如果它激励乘客如实报告他们的实际需求。为了促进拼车，我们在此介绍了一个发布价格，集成的在线拼车机制（IORS），满足期望的属性，如事后激励兼容性，个人理性，和公平平衡。数值结果表明，IORS的竞争力相比，两个基准，即最优分配和离线，拍卖为基础的机制。
2017-03-02 cs.AI cs.GT
Online Fair Division: A Survey
Technical University Berlin（柏林工业大学）；UNSW Sydney（悉尼新南威尔士大学）
我们调查一个新兴的和有前途的新的研究领域，认为许多实际的公平分工问题的在线性质。我们确定了各种各样的在线公平分工的问题，以及讨论新的机制和规范的属性，适用于这个在线设置。这种公平分配问题的在线性质既提供了机会，也带来了挑战，例如开发新的在线机制的可能性以及处理不确定未来的困难。
2019-11-21 cs.AI cs.GT
Online Incentive-Compatible Mechanisms for Traffic Intersection Auctions
我们提出了新的在线机制，交通路口拍卖，用户出价优先服务。我们假设，在他们的车道的前面的用户被要求声明他们的延迟成本，即时间的价值，和用户的服务在递减顺序的声明延迟成本。由于用户被期望动态地到达交通路口，静态定价方法可能无法准确地估计用户期望的等待时间，并导致非策略性支付。为了解决这个差距，我们提出了两个马尔可夫链模型来确定参与者在拍卖的预期等待时间。这两种模型都考虑了未来到达交叉口的概率。在第一个模型中，我们假设未来到达的概率是均匀的交叉路口的车道。这种基于出价的模型只跟踪进入车道上出价较低和较高的用户的数量，以及空车道的数量。在第二个，车道为基础的模型，占车道特定的用户到达概率在扩展的状态空间为代价的均匀性假设放宽。然后，我们设计了一个机制，以确定激励兼容的支付在动态意义上。从长远来看，由此产生的在线机制使社会福利最大化。在一个四车道交叉口上进行了数值实验，并与静态激励相容机制进行了比较。我们的研究结果表明，静态激励兼容机制可能会导致用户误报他们的延迟成本。反过来，建议的在线机制被证明是激励兼容的动态意义上。
2020-10-14 cs.GT math.OC
Nash Incentive-compatible Online Mechanism Learning via Weakly Differentially Private Online Learning
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出一种结合弱差分隐私在线学习与承诺机制的随机选择方法，在无需智能体类型先验的情况下实现多轮激励兼容在线机制学习，并在对抗环境中获得随远视程度和机制类大小优雅扩展的遗憾界。
2026-10-28 cs.CR cs.DS cs.GT
Offline and Online Incentive Mechanism Design for Smart-phone Crowd-sourcing
本文研究智能手机众包的激励机制设计问题。参与众包的每个用户提交一组它可以完成的任务及其相应的出价。然后，平台选择用户及其支付，以最大限度地提高其效用，同时确保真实性，个人理性，盈利能力和多项式算法复杂性。离线和在线的情况下，其中在离线的情况下，所有用户同时提交他们的配置文件，而在在线的情况下，他们这样做顺序，并决定是否接受或拒绝每个用户是即时完成没有撤销。离线和在线的情况下，所提出的算法，以满足所有四个所需的性能的一个有效的拍卖。通过大量的仿真，离线和在线算法的性能进行了比较。
2013-10-07 cs.CY cs.GT cs.NI
Behavior-Based online Incentive Mechanism for Crowd Sensing with Budget Constraints
人群感知是一种新的模式，它利用无处不在的配备传感器的移动设备来收集数据。为了实现良好的人群感知质量，激励机制对于吸引更多的参与者是必不可少的。现有的机制大多关注感知前的期望效用，忽略了低质量解决方案和隐私泄露的风险。Vickrey-Clarke-Groves（VCG）机制及其变体等传统激励机制在此不适用。针对这些挑战，本文提出了一种基于行为的激励机制，通过在移动社交网络（MSNs）中应用顺序全付费拍卖机制，在预算约束条件下，不仅考虑用户广泛参与的影响，而且最大化基于上下文的感知内容提交给人群感知平台，用户按顺序到达。通过大量的模拟，结果表明，我们提出的框架中的激励机制优于现有的最佳解决方案。
2014-04-30 cs.GT cs.NI
A Competitive Posted-Price Mechanism for Online Budget-Feasible Auctions
本文针对在线预算可行拍卖中代理成本私密且按随机顺序到达的问题，提出一种基于OPT估计在线测试与自适应搜索的随机化发布价格机制，实现了常数竞争比，解决了EC 2012提出的开放问题。
2025-04-13 cs.DS cs.GT
Mechanism Design for Efficient Online and Offline Allocation of Electric Vehicles to Charging Stations
我们研究的问题，分配电动汽车（EV）的充电站和调度他们的充电。我们开发离线和在线解决方案，将电动汽车用户视为自利代理人，旨在最大限度地提高他们的利润，并最大限度地减少对他们日程安排的影响。我们制定的最佳电动汽车充电站分配的问题作为一个混合规划（MIP）的，我们提出了两种定价机制：一个固定价格的，另一个是基于著名的Vickrey-Clark-Groves（VCG）机制。后来，我们开发在线解决方案，增量调用基于MIP的算法。我们根据经验评估了我们的机制，我们观察到两者都很好。此外，VCG机制比固定价格机制平均服务$1.5\%$更多的电动汽车。此外，当车站变得拥挤时，VCG导致电动汽车的价格更高，车站的利润更高，但电动汽车的效用更低。然而，我们从理论上证明了VCG机制保证了EV偏好的真实报告。相比之下，固定价格很容易受到代理商的策略行为的影响，因为不真实的电动汽车可以代替真实的电动汽车收费。最后，我们观察到，在线算法的平均值为EV满意度的最优值的$98\%$。
2020-07-19 cs.GT cs.SY eess.SY
OMG: How Much Should I Pay Bob in Truthful Online Mobile Crowdsourced Sensing?
移动众包传感（MCS）是一种新的模式，它利用普及的智能手机来有效地收集数据，使许多新的应用。为了实现良好的服务质量的MCS应用，激励机制是必要的，以吸引更多的用户参与。大多数现有的机制只适用于离线的情况下，所有用户的信息是已知的先验。相反，我们关注的是一个更真实的场景，用户以随机顺序一个接一个地在线到达。我们建模的问题作为一个在线拍卖，用户提交他们的私人类型的众包随着时间的推移，众包的目的是选择一个子集的用户在指定的截止日期之前，最大限度地提高所选择的用户提供的服务的总价值的预算约束下。我们设计了两种在线机制OMZ和OMG，分别满足零到达-离开间隔情况和更一般情况下的计算效率、个体理性、预算可行性、真实性、消费者主权和恒定竞争性。通过大量的模拟，我们评估的性能和验证我们的在线机制的理论属性。
2013-06-24 cs.GT cs.NI
Online Ad Slotting With Cancellations
许多广告商在互联网或传统媒体上购买广告（ads），并寻求简单的在线机制来提前预订广告位。媒体出版商代表了一个庞大而多样的库存，他们也寻求自动的在线机制来定价和分配这种预订。在本文中，我们提出并研究了一个简单的模型，提前拍卖这样的广告位。投标人按顺序到达，并报告他们感兴趣的插槽。卖方必须立即决定是否同意保留。我们的模型允许卖家接受预订，但可能会在以后取消分配，并向投标人支付取消补偿（碰撞付款）。我们的主要成果是一个在线机制，以获得价格和颠簸支付，是有效的实施。这种机制具有许多理想的特性。它是个人理性的;赢家有诚实的动机，出价的真实价值高于任何较低的出价。我们的机制的效率是在一个恒定的分数的后验最优有效的解决方案。它的收入是在一个恒定的分数的后验收入的Vickrey-Clarke-Groves机制。我们的研究结果没有假设投标人的到达顺序或投标人的价值分布，仍然持有，如果出售的项目是一个拟阵的元素，一个更一般的设置比插槽分配。
2008-05-08 cs.DS cs.GT
Learning to Incentivize Information Acquisition: Proper Scoring Rules Meet Principal-Agent Model
Yale University（耶鲁大学）；University of Chicago（芝加哥大学）；Northwestern University（西北大学）
本文研究委托方如何在线设计评分规则以激励代理方收集信息，提出基于UCB的样本高效算法，实现与环境状态数无关的次线性T^{2/3}遗憾界。
2023-08-06 cs.AI cs.GT cs.LG
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
Efficiency of Proportional Mechanisms in Online Auto-Bidding Advertising
本文研究了自动竞价中比例机制的效率，通过建立紧致的PoA界和改进的支付方案，实现了更优的效率保障。
2026-04-24 cs.AI cs.DS cs.GT
Online Fair Division: analysing a Food Bank problem
UNSW（新南威尔士大学）；NICTA（澳大利亚国家信息与通信技术研究院）
我们研究了一个在线模型的公平分工，旨在捕捉现实世界的慈善问题的特点。我们考虑两个简单的机制，在这个模型中，代理简单地声明他们喜欢什么样的项目。我们分析了这些机制的几个公理性质，如防策略和无嫉妒。最后，我们进行了竞争分析，并计算了无政府状态的无政府代价。
2015-02-28 cs.AI cs.GT cs.MA
Pricing Mechanism for Resource Sustainability in Competitive Online Learning Multi-Agent Systems
Technical University Munich（慕尼黑工业大学）
在本文中，我们考虑竞争在线学习代理的资源拥塞控制问题。基于非合作博弈模型的代理之间的相互作用，和嘈杂的在线镜像上升作为模型的理性行为的代理人，我们提出了一种新的定价机制，使代理人的可持续使用的资源的激励。我们的机制是分布式和资源为中心的，在这个意义上说，它是由资源本身，而不是由一个集中的实例，它是基于而不是代理的偏好的资源的拥塞状态。在噪声是持久的情况下，并为几个选择的代理的内在参数，如他们的学习率，和机制参数，如学习率的-，价格设定者的累进性，和外在的价格敏感性的代理，我们表明，累积违反的资源约束的迭代是次线性的w.r.t.时间范围。此外，我们提供了数值模拟来支持我们的理论研究结果。
2019-10-21 cs.GT cs.LG cs.MA
Online Learning for Dynamic Vickrey-Clarke-Groves Mechanism in Unknown Environments
Department of Industrial \& Enterprise Systems Engineering；Coordinated Science Laboratory, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA；Department of Industrial \& Enterprise Systems Engineering, Department of Electrical \& Computer Engineering
本文针对未知环境下顺序拍卖的动态机制设计，提出在线学习算法，近似实现动态VCG机制，保证效率、真实性和个体理性，并达到遗憾性能保证。
2025-10-23 cs.GT cs.LG cs.MA
