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
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
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
Multi-Agent Combinatorial Contracts
本文研究多智能体多动作的组合契约问题，提出新型分析工具，得到子模问题的紧常数因子近似，还给出单智能体场景FPTAS及次可加奖励下福利与委托人效用的对数级差距界。
2024-05-14 cs.GT
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
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
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
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
Combinatorial Contract Design: Recent Progress and Emerging Frontiers
Blavatnik School of Computer Science and Artificial Intelligence, Tel Aviv University（特拉维夫大学布拉瓦特尼克计算机科学与人工智能学院）
本文综述组合契约设计的最新进展，聚焦单一或多代理人在指数级行动组合中的激励问题，总结结构洞见、算法技术及复杂性结果，并指出开放问题与未来方向。
2025-10-16 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
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
Bayesian Agency: Linear versus Tractable Contracts
我们研究委托代理问题，其中委托人承诺一个结果依赖的支付计划（a.k.a.合同），以诱导代理人采取昂贵的，不可观察的行动。我们放松的假设，委托人完全知道代理人考虑贝叶斯设置代理人的类型是未知的，随机选择根据一个给定的概率分布，这是已知的委托人。每个代理人的类型的特点是她自己的行动成本和行动结果分布。在非贝叶斯委托代理问题的文献中，相当多的注意力都集中在线性合同上，线性合同是简单的，纯佣金支付计划，仍然提供了很好的近似保证，相对于委托最优（可能是非线性）合同。虽然在非贝叶斯设置的最优合同可以有效地计算，这不再是我们的贝叶斯委托代理问题的情况。这进一步激发了我们对线性合约的关注，鉴于其单参数性质，线性合约可以有效地优化。我们的目标是分析贝叶斯设置中线性合同的属性，在最优合同和一般易处理合同（即，有效的计算）。首先，我们研究了线性契约关于最优契约的近似保证，证明了线性契约的近似保证具有与代理类型数成线性关系的乘法损失。尽管如此，我们证明了线性合同仍然可以提供一个常数乘法近似$ρ$的最佳主的预期效用，虽然在一个指数小的附加损失$2^{-Ω(ρ)}$的代价。然后，我们切换到易处理的合同，令人惊讶的是，线性合同在其中表现良好。
2021-06-01 cs.GT
Settling the Complexity Landscape of Multi-Agent Contracts with Binary Actions
Tel Aviv University（特拉维夫大学）
本研究刻画了二元行动多智能体合约最优设计在总替代奖励类中的复杂性，证明OXS奖励APX完全、WMRFs有EPTAS、划分拟阵秩函数有FPTAS，并揭示超奖励函数难以近似，强调子模性的关键作用。
2026-09-29 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
Combinatorial Contracts Through Demand Types
University of Oxford（牛津大学）；Google Research, Zurich, Switzerland（谷歌研究院）；Tel Aviv University（特拉维夫大学）
本文通过建立需求类型的几何框架，提出了一种新的合同设计算法，针对需求查询问题提出高效计算方法，并在多项式时间内解决新的奖励函数类别。
2026-04-16 cs.GT
Dynamics and Contracts for an Agent with Misspecified Beliefs
研究具有错误信念的单智能体契约环境，发现多行动下行动频率不收敛且计算均衡复杂度高，但双行动下最优契约可多项式时间计算，且轻微错误信念会大幅减少最优收入。
2024-05-30 cs.GT econ.TH
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
Optimal Robust Contract Design
本文研究行动空间不确定下的稳健合约设计，刻画了最优随机化线性合约及其累积密度函数闭式形式，证明其相对确定性合约的优势可任意大，并推广至团队缔约模型。
2024-06-17 cs.GT econ.TH
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
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
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
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
On the (In)approximability of Combinatorial Contracts
本文研究多智能体和多行动组合契约设计，证明次模成功概率函数下最优契约无优于0.7的近似算法，并强化了次模及XOS函数下的不可近似性结果。
2023-11-30 cs.GT
Strategic Disclosure of Action Space in Principal-Agent Contracts
本研究探讨委托代理合同中代理人策略性披露行动空间的影响，证明代理人可获至少第一最佳剩余的1/e效用，并给出收入与福利保证，揭示披露策略对剩余分配的关键作用。
2026-10-01 cs.GT econ.TH
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
Online Learning in a Contract Selection Problem
University of California, Los Angeles（加州大学洛杉矶分校）；University of Michigan（密歇根大学）
在一个在线合同选择问题中，有一个卖方提供一组合同给顺序到达的买方，这些买方的类型来自一个未知的分布。如果在提供的集合中存在对买方有利的合同，即，一个合同的收益高于不接受任何合同的收益，买方选择最大化其收益的合同。本文研究了以卖方利润最大化为目标的在线合同选择问题。假设买方的支付函数的结构属性称为有序的偏好，我们提出了在线学习算法，具有次线性遗憾的最佳合同集的分布在买方的类型。这个问题有许多应用，包括频谱合同，无线服务提供商的数据计划和推荐系统。
2013-05-15 cs.GT cs.LG math.OC
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
Sequential Naive Learning
Technion: The Israel Institute of Technology（以色列理工学院）；IESE Business School, University of Navarra（纳瓦拉大学IESE商学院）
我们分析了有界理性更新的二元行动和二元状态的模型中的聚合统计。每个代理在观察到先前的无序动作集后，按顺序采取不可逆的动作。每个智能体首先基于总统计量形成她的先验，然后基于贝叶斯规则将她的信号与先验结合起来，最后应用一个决策规则，为每个信念分配一个（混合）动作。如果先验是根据离散化的DeGroot规则形成的，则动作收敛到状态（概率上），即，\emph{asymptotic learning}，当且仅当决策规则满足概率匹配。这一结果推广到未指定的信息设置，其中信息结构不同的代理和代理只知道生成自己的信号的信息结构。此外，主要结果扩展到$n$状态和$n$动作的情况。
2021-01-08 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
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
A Deterministic Protocol for Sequential Asymptotic Learning
在经典的羊群模型中，智能体接收关于潜在的二元自然状态的私人信号，并在观察其前任的行为后，依次采取行动，选择两种可能的行为之一。我们研究什么类型的行为导致渐近学习，代理最终将收敛到正确的行动的概率。众所周知，对于理性主体和有界信号，不会有渐近学习。如果代理人能够合作而不是自私，这会有帮助吗？如果允许代理使用随机协议，则这很容易实现。在本文中，我们提供了第一个确定性协议下，渐近学习发生。此外，我们的协议的优点是比以前的协议简单得多。
2018-01-09 cs.DM cs.GT
Distributed Asynchronous Policy Iteration for Sequential Zero-Sum Games and Minimax Control
我们介绍了一个压缩抽象动态规划框架和相关的政策迭代算法，专门设计的顺序零和游戏和极大极小问题的一般结构。除了更大的一般性，我们的算法优于替代方案的优点是，它们解决了一些长期存在的收敛困难的“自然”的政策迭代算法，这是已知的，因为Pollatschek和Avi-Itzhak方法[PoA 69]有限状态马尔可夫博弈。在数学上，这种“自然”算法是牛顿方法的一种形式，用于求解贝尔曼方程，但牛顿方法，与单人DP问题的情况相反，在极大极小问题的情况下不是全局收敛的，因为贝尔曼算子可能具有既不是凸也不是凹的分量。我们的算法通过引入交替的玩家选择来解决这个困难，并通过使用具有统一超范数收缩属性的策略依赖映射，类似于Bertsekas和Yu的早期作品[BeY 10]，[BeY 12]，[YuB 13]。此外，我们的算法允许一个收敛和高度并行化的实现，这是基于状态空间分区，和分布式异步策略评估和策略改进操作内的每一组分区。我们的框架也适合使用基于聚合的强化学习方法，这可能对大规模问题实例有用。
2021-10-20 cs.GT cs.SY eess.SY
Action Recommendations for Sequentially Rational Strategic Agents
University of Southern California（南加州大学）
本文研究如何通过动作推荐激励战略代理采用服从策略，提出基于逆向归纳法求解线性规划的算法，以实现设计者目标与代理序列理性之间的平衡。
2026-05-10 cs.GT cs.SY eess.SY
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
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
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
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
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
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
