Irrationality, Extortion, or Trusted Third-parties: Why it is Impossible to Buy and Sell Physical Goods Securely on the Blockchain
假设爱丽丝计划通过可编程区块链从鲍勃那里购买实物。爱丽丝不信任鲍勃,所以她不愿意在商品下线之前付款。同样,鲍勃不信任爱丽丝,所以他不愿意在链上获得报酬之前交付货物。此外,他们不倾向于使用可信的第三方的服务。传统上,这种情况是由博弈论托管智能合约处理的,比如BitHalo。在这项工作中,我们首先表明,这个问题的共同方法遭受的一个重大缺陷,可以利用鲍勃为了敲诈爱丽丝。我们还表明,与拍卖的情况下,这个缺陷不能解决的承诺计划为基础的方法。然后,我们提供了一个更普遍的结果:假设双方都是理性的参与者,智能合约语言是图灵完备的,那么没有一个托管智能合约可以在不依赖第三方或至少一方勒索另一方的情况下促进这种交换。
2021-10-19 cs.CR cs.DM 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
Optimal Pricing of Cloud Services: Committed Spend under Demand Uncertainty
针对需求不确定下的云服务定价问题,将经典序贯筛选框架扩展到非线性多单位场景,刻画了最优动态合同,阐明其通过两部收费制和承诺消费合同的实现方式,并分析了承诺成本和现货市场对合同的影响。
2025-02-11 cs.GT econ.TH
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
A Multi-Agent Reinforcement Learning Method for Impression Allocation in Online Display Advertising
Alibaba Group(阿里巴巴集团)
在在线展示广告中,保证合同和实时竞价(RTB)是出版商销售展示的两种主要方式。尽管RTB越来越受欢迎,但仍有一半的在线展示广告收入来自担保合同。因此,通过保证合同和RTB同时销售展示是出版商最大化其收益的直接选择。然而,得出分配印象的最佳策略并不是一项简单的任务,特别是当现实世界中的应用环境不稳定时。在本文中,我们制定的印象分配问题作为一个拍卖问题,每个合同可以提交虚拟投标的个人印象。有了这个公式,我们通过求解合同的最优投标函数来获得最优印象分配策略。由于合同的出价是由出版商决定的,我们提出了一个多智能体强化学习(MARL)的方法来获得合作政策的出版商,以最大限度地提高其产量在一个不稳定的环境。该方法还解决了MARL中常见的输入维爆炸、奖励信用分配和非平稳环境等问题。在大规模真实数据集上的实验验证了该方法的有效性。
2018-09-10 cs.AI cs.GT cs.LG
Towards Trust and Reputation as a Service in a Blockchain-based Decentralized Marketplace
针对社会5.0去中心化市场的可信服务难题,提出受拉普拉斯继承法则启发、由智能合约自动反馈的信任与声誉服务,覆盖多细分市场防欺诈、时变表现折扣、远期预测三类应用,经仿真验证分析结果有效。
2024-03-02 cs.CR cs.GT
Cost Sharing with Hidden Time Flexibility
Maastricht University(马斯特里赫特大学)
研究客户隐藏时间灵活性时的成本分摊问题,发现防止联盟性缩减的核心选择规则存在性取决于人口规模与可验证日期条件,并给出精确边界。
2026-09-24 cs.GT
Multi-Agent Contract Design beyond Binary Actions
本文研究多智能体隐藏行动问题,提出确定性机制和随机化机制两类合同设计方法,将单智能体合同自然扩展到任意行动和任意结果分布的一般设定。
2024-02-21 cs.GT
Contracts with Information Acquisition, via Scoring Rules
我们考虑一个委托代理问题,代理人可以私下选择获取相关信息之前,采取隐藏的行动。该模型概括了两种特殊情况:一个经典的道德风险设置,以及最近研究的激励信息获取(IA)的问题。我们表明,所有这些问题都可以减少到一个适当的评分规则的设计。在有限责任条件下,我们先考虑特殊情况,然后再考虑一般问题。对于IA的特殊情况,我们给出了新的结果,给出了一般多维问题的封闭形式的“尖多面体锥”解。我们还描述了一个几何,评分规则为基础的解决方案的情况下,经典的合同问题。最后,我们对一般的信息获取合同问题给出了一个有效的算法。
2022-06-10 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
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
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
Harnessing the Continuous Structure: Utilizing the First-order Approach in Online Contract Design
本文利用连续动作空间和一阶条件刻画在线合约设计中的代理人行为,并将多结果合约、线性合约及同质代理人合约学习分别归约或算法化,得到更简单且具有多项式样本复杂度的方案。
2025-06-09 cs.GT cs.LG
Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework
Nanyang Technological University(南洋理工大学);Sungkyunkwan University(成均馆大学);University of Waterloo(滑铁卢大学)
在本文中,我们解决了虚拟服务提供商(VSP)设计激励机制的问题,以雇用传感物联网设备来销售他们的传感数据,以帮助创建和渲染Metaverse中物理世界的数字副本。由于带宽有限,我们建议使用语义提取算法来减少传感物联网设备传输的数据。然而,雇用感测物联网设备与VSP共享其数据,然后将构建的数字孪生传递给Metaverse用户的机制容易受到逆向选择问题的影响。当不同主体的私有信息具有多维性时,由于系统主体之间的信息不对称而导致的逆向选择问题变得更加难以解决。我们提出了一种新的迭代合同设计,并使用一种新的变体的多智能体强化学习(MARL)来解决模型化的多维合同问题。为了证明我们的算法的有效性,我们进行了广泛的模拟和测量的Metaverse合同的几个关键性能指标。我们的研究结果表明,我们设计的迭代合同是能够激励参与者进行真实的互动,最大限度地提高利润的VSP与最小的个人理性(IR)和激励相容性(IC)的违规率。此外,所提出的基于学习的迭代合同框架有限制地访问参与者的私人信息,这是尽我们所知,第一次在解决激励机制中的逆向选择问题。
2023-02-25 cs.AI cs.GT
Auctioning Future Services in Edge Networks with Moving Vehicles: N-Step Look-Ahead Contracts for Sustainable Resource Provision
School of Informatics, Xiamen University(厦门大学信息学院);Department of Electrical and Computer Engineering, Western University(韦仕敦大学电气与计算机工程系);Department of Electrical Engineering, University at Buffalo–SUNY(纽约州立大学布法罗分校电气工程系);College of Big Data and Information Engineering, Guizhou University(贵州大学大数据与信息工程学院);Data61, CSIRO(澳大利亚联邦科学生工业研究组织数据61);School of Computing Technologies, RMIT University(皇家墨尔本理工大学计算技术学院)
针对边缘车载网络中移动车辆导致的资源需求不确定性和实时拍卖延迟问题,提出基于LSTM预测和N步前瞻合同的拍卖框架,在规划期生成合同,实时执行,提升时间效率、能源使用和社会福利。
2025-10-06 cs.GT cs.SY eess.SY
Optimally Designing Cybersecurity Insurance Contracts to Encourage the Sharing of Medical Data
虽然医疗数据的共享有可能导致医疗保健的突破,但共享过程本身使患者和医疗保健提供者面临各种风险。当医疗数据被盗或以不允许的方式使用时,患者面临可能失去隐私或生计的风险,而医疗保健提供者则面临相关责任的风险。对于医疗数据,即使在根据现有立法中定义的标准对共享前的数据集进行匿名化/去识别化之后,这些风险仍然存在,因为共享的医疗数据通常可以使用先进的人工智能和机器学习方法进行去匿名化/重新识别。因此,医疗保健提供者对共享医疗数据犹豫不决。鼓励医疗保健提供者负责任地共享数据的一个可能的解决方案是通过使用网络安全保险合同。本文研究了设计最优网络安全保险合同的问题,其目标是鼓励医疗数据的共享。我们使用的委托代理模型与道德风险模型的各种情况下,推导出最优的合同,讨论其影响,并进行数值案例研究。特别是,我们考虑两种情况:第一种情况是医疗保健提供者将医疗数据出售给一家技术公司,该公司正在使用共享数据开发人工智能算法。第二种情况是一组医疗保健提供者为了使用聚合的医疗数据进一步进行医学研究而在他们之间共享健康数据。
2022-09-20 cs.GT math.OC
When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains
School of Business, University of Connecticut(康涅狄格大学商学院)
该研究以供应链议价问题为场景,将9个LLM与完美贝叶斯均衡基准测试,发现LLM智能体的谈判能力、提供商身份及提示策略对剩余分配和效率有显著影响,为AI智能体审计提供了三维框架。
2026-08-11 cs.AI cs.GT econ.GN
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
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
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。
2026-11-17 cs.GT cs.LG cs.MA
Regret Minimization for Piecewise Linear Rewards: Contracts, Auctions, and Beyond
Politecnico di Milano(米兰理工大学)
研究在相关模型参数未知且由概率分布确定时,如何优化未知随机分段线性奖励函数。提出通用在线学习框架,设计算法达\(\widetilde{O}(\sqrt{nT})\)遗憾值,解决了微观经济学习文献中的两个开放问题。
2026-07-21 cs.GT cs.LG
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
Dynamic Reserve Price Design with Distributed Solving Algorithm
Alibaba International Digital Commerce Group(阿里巴巴国际数字商务集团)
针对赞助搜索中意外广告项带来的隐性成本问题,提出纳入隐性成本的动态保留价设计框架及分布式求解算法,平衡收入与用户体验,支持十亿级数据计算,经实验验证高效且已部署,维持广告主诚实估值激励。
2025-08-24 cs.GT cs.LG stat.ML