FEDBUD: Joint Incentive and Privacy Optimization for Resource-Constrained Federated Learning
School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）
本文提出FEDBUD系统，通过联合考虑数据量和噪声水平对激励策略的影响，解决联邦学习中隐私保护与激励策略设计的难题。
2026-04-12 cs.DC cs.LG
Incentive-Aware Federated Averaging with Performance Guarantees under Strategic Participation
Department of Industrial and Systems Engineering, Rutgers University（工业与系统工程系，罗格斯大学）；Argonne National Laboratory（阿贡国家实验室）
本文提出一种激励感知联邦平均方法，通过客户端传输模型参数和数据集大小，利用纳什均衡规则动态调整数据集规模，确保在凸和非凸目标下实现性能保证，并在单调博弈下实现福利损失最小化。
2026-05-17 cs.LG math.OC
Differentially Private Distributed Nash Equilibrium Seeking over Time-Varying Digraphs
该研究针对时变非平衡有向图下的聚合博弈，提出注入拉普拉斯噪声、结合push-sum协议与衰减因子、动量项的差分隐私分布式纳什均衡求解算法，实现收敛性与差分隐私的兼顾，仿真验证了有效性。
2025-02-13 cs.GT
How Can Incentives and Cut Layer Selection Influence Data Contribution in Split Federated Learning?
School of Computing, Gachon University（嘉泉大学计算机学院）；School of Cybersecurity, Korea University（高丽大学网络安全学院）；Princeton University（普林斯顿大学）
针对分割联邦学习中的竞争情境，本文通过Stackelberg博弈建模激励与切层选择对客户端数据贡献的影响，证明均衡存在性并实现双方效用最大化。
2026-09-23 cs.AI cs.GT cs.LG
Personalized incentives as feedback design in generalized Nash equilibrium problems
University of Oxford（牛津大学）；IMT School for Advanced Studies Lucca（卢卡高等研究院）；ENSTA Paris（巴黎国立高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）
针对势函数未知的稳态与时变非单调广义纳什均衡问题，提出两层半去中心化算法，由协调器学习伪梯度并设计个性化激励，实现均衡或可调误差近似。
2023-05-22 cs.GT cs.LG cs.SY
Fairness and Incentive Compatibility via Percentage Fees
Weizmann Institute of Science（魏茨曼科学研究所）；Ben Gurion University of the Negev（内盖夫本-古里安大学）；Stanford University（斯坦福大学）
研究使纳什社会福利最大化的激励相容机制，提出百分比费用模型，证明该模型在非负估值下能精确最大化纳什社会福利，给出相关定理及多项式时间激励相容近似算法，并证明硬度结果。
2026-07-22 cs.GT
Incentive Mechanism Design for Federated Learning: Hedonic Game Approach
激励机制设计对于实现联邦学习至关重要。我们处理聚类问题的代理有助于联邦学习设置。假设代理人的行为自私，我们建模他们的相互作用作为一个稳定的联盟分区问题，使用享乐游戏，代理人和集群的球员和联盟，分别。我们解决以下问题：是否存在一系列享乐游戏来确保纳什稳定的联盟划分？提出了确定享乐博弈族至少有一个纳什稳定划分的纳什稳定集，并分析了纳什稳定集非空的条件。此外，我们处理分散聚类。我们制定的问题作为一个非合作的游戏，并证明存在一个潜在的游戏。
2021-05-07 cs.GT
The Incentive Guarantees Behind Nash Welfare in Divisible Resources Allocation
研究可分割资源分配中MNW与PA机制的激励保证，证明MNW在蛋糕切割中激励比率为2，PA介于[e^(1/e),e]间，并给出无嫉妒机制的最优激励比率结果。
2025-04-23 cs.GT
Incentive-Aligned Vehicle-to-Vehicle Energy Trading via Nash-Integrated Multi-Agent Reinforcement Learning
Department of Data Science and AI, Faculty of IT, Monash University, Australia（数据科学与人工智能系，信息科技学院，墨尔本大学，澳大利亚）；Monash Energy Institute, Monash University, Australia（墨尔本能源研究所，墨尔本大学，澳大利亚）
本文提出一种基于纳什博弈解的多智能体深度确定性策略梯度（Nash-MADDPG）方法，用于车对车能源交易中的激励对齐，提升了社会福利和交易量，并在公平性方面取得了显著改进。
2026-05-21 cs.AI cs.GT math.OC
A Differentially Private Energy Trading Mechanism Approaching Social Optimum
本文针对P2P能源交易中的隐私泄露问题，提出一种引入校准拉普拉斯噪声的差分隐私纳什均衡寻求算法，在实现ε-差分隐私的同时以期望收敛到纳什均衡，并通过实验验证其接近社会最优的市场效率。
2024-10-21 cs.GT math.OC
Communication-efficient and Differentially-private Distributed Nash Equilibrium Seeking with Linear Convergence
针对有向图上分布式非合作博弈的 NE 求解，本文提出 CDP-NES 框架，通过 Laplacian 噪声与差分压缩同时实现 ε-差分隐私、通信节省和线性收敛。
2024-05-08 cs.GT cs.SY eess.SY
Incentive Schemes for Rollup Validators
本文设计注意力博弈以激励Rollup验证者检查计算结果，证明无外部参与方的纯策略纳什均衡不存在，并在混合均衡下推导出最优验证者数量与质押规模，以最小化失败概率并优化协议奖励设计。
2023-08-05 cs.CR cs.GT
Learning equilibria with personalized incentives in a class of nonmonotone games
University of Oxford（牛津大学）；ENSTA Paris（巴黎高等先进技术学院）；Institut Polytechnique de Paris（巴黎理工学院）
我们考虑二次，非单调的广义纳什均衡问题与对称相互作用的代理。虽然这类游戏是已知的承认一个势函数，它的形式化的表达可以在现实世界中的一些应用程序中不可用。出于这个原因，我们提出了一个两层的纳什均衡寻求计划，其中一个中央协调员利用嘈杂的反馈代理设计个性化的激励措施。通过利用这些激励，代理计算扩展博弈的解，然后将反馈措施返回给协调员。我们表明，我们的算法返回一个平衡，如果协调员被赋予标准的学习策略，并证实了我们的结果的一个数值实例的一个亚单调游戏。
2022-03-30 cs.GT cs.LG cs.MA
Colordag: An Incentive-Compatible Blockchain
本研究提出区块链协议Colordag，实现ε-确定纳什均衡的解概念，解决了现有Fruitchain协议存在简单偏离策略、智能体有动机偏离的问题，在矿工算力均低于1/2时能以高概率保证遵循策略为最优响应。
2023-08-22 cs.DC cs.GT
Approximate Strategyproofness in Approval-based Budget Division
UNSW Sydney（新南威尔士大学）；ILLC, University of Amsterdam（阿姆斯特丹大学信息逻辑与计算研究所）；Northwestern University（西北大学）
本文研究了审批制预算分配中近似策略无偏性，证明Nash产品规则的激励比为2，从而绕过Brandl等人的不可能定理，并展示了其在公平性和效率性下的最优性。
2026-05-12 cs.GT econ.TH
Distributed coordination for seeking the optimal Nash equilibrium of aggregative games
针对具有层次结构的多智能体判定问题，设计了一种分布式协调算法。主要目标是寻找一个非合作对策的纳什均衡，使得每个局中人在其私人目标下都没有偏离均衡的动机。同时，代理人可以协调优化的纳什均衡的基础游戏的集合内的社会成本。这样的最优纳什均衡问题可以建模为一个带有变分不等式约束的分布式最优化问题。我们考虑的情况下，潜在的游戏和社会成本最优化问题的目标函数有一个特殊的聚合结构。由于每个参与者只能访问其局部目标，而不能知道所有参与者的决策，因此分布式算法是非常可取的。利用Tikhonov正则化和动态平均跟踪技术，在基于梯度的Nash均衡搜索的基础上引入激励项，提出了一种分布式协调算法，以干预参与者的决策，提高系统效率.通过仿真研究，证明了该算法收敛于单调对策的最优纳什均衡。
2022-05-14 cs.GT math.OC
Differentially Private Call Auctions and Market Impact
我们提出并分析了不同的私人（DP）呼叫拍卖机制作为一种替代的复杂和特设的隐私的努力，是常见的现代电子市场。我们证明了在DP机制中清除的份额数与非私有最优值相比是有利的，并提供了一个匹配的下限。我们分析了我们的机制的激励属性和他们的行为下自然的无悔学习动态的市场参与者。我们包括模拟结果和连接到金融文献对市场的影响。
2020-02-13 cs.CE cs.GT
Incentive Analysis for Agent Participation in Federated Learning
本文将联邦学习参与决策建模为阶段博弈与重复博弈，揭示数据异质性对 Nash 均衡的影响，并提出可有限时间收敛的隐私保护短视策略。
2025-03-12 cs.GT cs.SY eess.SY
Incentive Compatibility in Two-Stage Repeated Stochastic Games
我们解决了两阶段重复随机博弈的机制设计问题-一种新的设置，使用它可以很容易地模拟下一代电力市场中出现的许多问题。重复游戏为玩家提供了一大类策略，使玩家的行动适应所有过去的观察和从中获得的推论。在其他情况下，如迭代拍卖或动态博弈，这种大的策略空间表现出来，它通常有一个重要的含义，机制设计：它可能是不可能获得真相告诉作为一个占优策略均衡。因此，在这样的场景中，通常只满足于使讲真话成为纳什均衡或其变体的机制，即使纳什均衡已知是真实世界行为的差模型。这是由于每个参与者都必须对其他参与者的行为做出过于具体的假设，以采用他们的纳什均衡策略，而他们可能不会这样做。一般来说，均衡中的投机负担越小，它对现实世界行为的建模就越合理。在这一准则的指导下，我们引入了一个新的均衡概念，称为占优策略非破产均衡（DNBE），它要求参与者对其他参与者的行为做出很少的假设，以采用他们的均衡策略。因此，一种机制，使讲真话的DNBE，而不是只有一个纳什均衡可能是相当有效的塑造现实世界的行为沿着真理的路线。我们提出了一个两阶段重复随机博弈的机制，使讲真话的占优策略非破产均衡。该机制还保证了个体理性和社会福利最大化。最后，我们描述了一个应用程序的机制，设计需求响应市场。
2022-10-19 cs.GT econ.TH
Bayesian Algorithmic Mechanism Design
算法机制设计的主要问题是如何将自私行为所施加的激励约束与计算困难所施加的算法约束相结合。这一领域的动机是观察到，卓越的方法设计激励兼容机制，即维克里，克拉克和格罗夫斯;和中央方法规避计算障碍，近似算法，是根本不相容的：自然应用的VCG方法的近似算法未能产生一个激励兼容的机制。我们考虑放宽（事后）激励相容性（IC）的必要条件贝叶斯激励相容性（BIC），其中诚实是贝叶斯-纳什均衡（经济学中激励相容性的标准概念）。对于单参数代理设置中的福利最大化，我们给出了一个一般的黑箱约简，将任何近似算法变成具有基本相同的近似因子的贝叶斯激励兼容机制。
2011-02-23 cs.GT
Differentially-private Distributed Algorithms for Aggregative Games with Guaranteed Convergence
针对聚合博弈，提出一种无需加密的分布式算法，在保证严格差分隐私的同时确保纳什均衡计算精度，并适用于随机场景。
2023-06-23 cs.GT cs.SY eess.SY
Preplay Losing Contracts: Inducing Strong Nash Equilibrium in the $n$-player Prisoner's Dilemma
University of Buenos Aires（布宜诺斯艾利斯大学）
本文提出失约合同机制，通过强制减少自身效用来诱导n人囚徒困境中的强纳什均衡，避免传统预演机制的支付成本，确保合作激励的持续性。
2026-04-24 cs.GT econ.TH
Differentially Private Diffusion Auction: The Single-unit Case
扩散拍卖是一种新兴的在线市场模式，拍卖人利用社交网络吸引潜在买家。扩散拍卖带来了重大的隐私风险。从拍卖结果中，可以推断出买家隐藏的、潜在敏感的偏好。为了降低这种风险，我们开始研究扩散拍卖机制中的差分隐私（DP）。DP是一个完善的隐私概念，可以保护系统免受推理攻击。在扩散拍卖中实现DP是不平凡的，因为设计良好的拍卖规则需要激励买家如实报告他们的邻居。我们研究了单单元的情况下，设计了两个差分私有扩散机制（DPDM）：递归DPDM和分层DPDM。我们证明，这些机制保证差分隐私，激励相容性和个人理性的估值和邻里。然后，我们根据经验比较了它们在真实和合成数据集上的性能。
2023-02-16 cs.GT
Pure Nash Equilibria under the Affine Mechanism: A Potential Game of Exaggeration
University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
研究仿射机制（均值机制为其特例）中理性玩家虚报值的纯纳什均衡，刻画完全信息和贝叶斯博弈下的均衡特征，揭示极端夸张的必然性。
2026-06-27 cs.GT cs.MA
Adaptive Incentive Design
University of Washington（华盛顿大学）
本文基于控制理论和优化技术，设计自适应激励机制，通过非合作博弈和我的更新规则，研究规划者如何在不知战略代理决策过程的情况下，学习并调整激励以实现更理想的响应。
2018-06-14 cs.GT cs.SY eess.SY
Adaptive Incentive Design with Learning Agents
提出一种不依赖具体学习动态的自适应激励机制，通过双时间尺度更新激励以学习最优策略，确保 Nash 均衡与社会最优一致，并证明了其在原子和非原子博弈中的收敛性。
2025-03-01 cs.GT cs.MA cs.SY
Incentive Design and Profit Sharing in Multi-modal Transportation Network
我们考虑多个运输服务提供商合作提供综合多式联运平台的情况，通过简化多式联运旅程规划、支付以及第一英里和最后一英里的连接，为乘客提供便利。这种市场结构允许多式联运平台协调不同模式的利润，并为乘客提供激励。因此，在本文中，我们使用合作博弈理论与超路径为基础的随机用户均衡框架来研究这样的市场。我们假设平台沿着运输网络中的每条边设置激励措施（价格折扣或对乘客收取超额费用）。我们得到的连续性和单调性的平衡流的激励沿每一个边缘。通过两时间尺度随机逼近算法得到了使平台利润最大化的最优激励。我们使用非对称纳什讨价还价的解决方案，设计一个公平的利润分配方案之间的服务提供商。我们表明，在这样的平台上合作后，每个服务提供商的利润增加。最后，我们通过两个数值模拟来补充理论结果。
2022-06-28 cs.GT cs.SY eess.SY
Prior-Agnostic Incentive-Compatible Exploration
Department of Computer and Information Sciences, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学）
本文提出了一种在动态环境中实现激励相容探索的算法，通过交换遗憾界限使代理在近似贝叶斯纳什均衡中忠实遵循预测，解决了代理冲突先验信念的问题。
2026-02-24 cs.GT cs.LG
A Tunable Incentive Mechanism for Binary Aggregation Without Verification
University of Waterloo（滑铁卢大学）
针对无验证二元聚合问题，提出一种可调奖惩机制，通过奖惩比率约束实现激励相容和个体理性，并分析可行区域及扩展方案。
2026-07-01 cs.GT
Differentially Private Machine Learning-powered Combinatorial Auction Design
本研究提出一种基于差分隐私的机器学习驱动组合拍卖设计方法，利用指数机制等技术保证拍卖真实性的同时保留原拍卖效率，并在两类场景下验证了差分隐私的应用效果。
2024-05-17 cs.GT cs.IT math.IT
Zero-Knowledge Proof-of-Identity: Sybil-Resistant, Anonymous Authentication on Permissionless Blockchains and Incentive Compatible, Strictly Dominant Cryptocurrencies
该研究提出基于可信公共证书的零知识身份证明机制，应用于无需许可区块链以解决传统抗女巫机制的低效问题，并证明对应zk-PoI加密货币在激励兼容、占优性等多方面优于PoW/PoS类加密货币。
2024-09-16 cs.CR cs.GT
Nash Equilibria of Two-round Auctions
本文形式化两轮拍卖模型，证明其第二轮 DSIC 并不保证整体 DSIC，给出充要条件并刻画非真实报价情形的纳什均衡，表明适当选择概率可提升收益。
2023-12-07 cs.GT
Inducing Social Optimality in Games via Adaptive Incentive Design
社会规划者如何自适应地激励那些在战略环境中学习的自私代理人，以诱导长期的社会最优结果？我们提出了一个两个时间尺度的学习动力学来回答这个问题，在原子和非原子游戏。在我们的学习动态中，玩家采用一类学习规则以更快的时间尺度更新他们的策略，而社会规划者以更慢的时间尺度更新激励机制。具体而言，激励机制的更新是基于每个参与者的外部性，外部性被评估为每个时间步中参与者的边际成本与社会边际成本之差。我们发现，我们的学习动力学的任何不动点对应的最优激励机制，使相应的纳什均衡也达到社会最优。我们还提供了充分的条件，学习动态收敛到一个固定点，使自适应激励机制最终诱导社会最优的结果。最后，我们证明了收敛的充分条件满足各种游戏，包括（i）原子网络二次聚合游戏，（ii）原子古诺竞争，和（iii）非原子网络路由游戏。
2022-04-12 cs.GT cs.SY econ.GN
Incentive Design without Hypergradients: A Social-Gradient Method
KTH Royal Institute of Technology（皇家理工学院）
本文提出一种无需超梯度的社会梯度流方法，用于在信息不对称条件下设计激励，通过证明社会成本梯度始终是下降方向，确保在任意学习规则下收敛至社会最优解。
2026-09-21 cs.GT cs.MA cs.SY
An Incentive-Compatible Reward Sharing Mechanism for Mitigating Mirroring Attacks in Decentralized Data-Feed Systems
本文分析了去中心化数据馈送系统中的镜像攻击问题，提出一种激励兼容的奖励共享机制，通过证明纳什均衡确保每用户仅运行一个预言机，有效抑制Sybil行为并提升系统可靠性。
2025-09-14 cs.ET cs.GT cs.IR
IRS: An Incentive-compatible Reward Scheme for Algorand
Algorand成立于2017年，是世界上第一个受权益证明启发的碳负公共区块链之一。Algorand使用拜占庭协议向区块链添加新区块。该协议可以容忍恶意用户，只要绝大多数的股份是由非恶意用户控制。与比特币相比，该协议的吞吐量高出约100倍，并且可以轻松扩展到数百万个节点。尽管Algorand具有令人印象深刻的功能，但它缺乏一个可以有效激励节点参与协议的奖励分配方案。在这项工作中，我们通过博弈论的镜头研究Algorand的激励问题。我们将Algorand协议建模为贝叶斯博弈，并提出了一种新的奖励方案来解决Algorand中的激励问题。我们推导出必要的条件，以确保参与协议是贝叶斯纳什均衡下，我们提出的奖励计划，即使在存在一个恶意的对手。我们还提出了定量分析，我们建议的奖励计划，将其应用到两个现实世界的部署方案。我们估计运行Algorand节点的成本，并模拟协议来测量计算，存储和网络方面的开销。
2023-02-22 cs.GT
Funding Public Projects: A Case for the Nash Product Rule
我们研究一个机制设计问题，其中一个社区的代理人希望通过社区成员的自愿捐款资助公共项目。这是一个没有外部可用预算的公共支出模式，如参与式预算或自愿税收计划，以及将慈善机构解释为公共项目和捐款解释为捐款时的捐助者协调。我们的目标是确定对个人捐款的互利分配。在我们研究的偏好聚合问题中，代理人报告项目的线性效用函数以及他们的贡献量，该机制决定了资金的社会最优分配。我们确定了一个特定的机制-纳什产品规则-它选择的分布，最大化的产品的代理人的效用。该规则是帕累托有效的，并且我们证明它满足有吸引力的激励属性：它只将每个代理人的贡献花费在代理人认为可以接受的项目上，并且代理人受到强烈的参与激励。
2021-10-11 cs.GT econ.TH
Social Sourcing: Incorporating Social Networks Into Crowdsourcing Contest Design
University of Electronic Science and Technology of China（电子科技大学）
在众包竞赛中，负责人将任务发布给一群人。人群中的人们互相竞争以赢得奖励。虽然在现实生活中，一个群体通常是网络化的，人们通过社会关系相互影响，现有的众包竞赛理论并不旨在回答人际关系如何影响人们的动机和行为，从而影响众包绩效。在这项工作中，我们新颖地把人们的社会关系作为一个关键因素，在建模和设计的代理人的激励众包比赛。我们建立了两种竞争机制，通过这种机制，委托人可以促使代理人邀请他们的邻居为任务做出贡献。第一种机制具有对称的贝叶斯纳什均衡，代理人的博弈非常简单，委托人很容易预测比赛的结果。第二种机制具有不对称的贝叶斯纳什均衡，并且代理人在均衡中的行为表现出巨大的多样性，这与他们的社会关系密切相关。对这些新机制的贝叶斯纳什均衡分析表明，除了代理人的内在能力外，他们之间的社会关系也在决策中起着核心作用。此外，我们设计了一个有效的算法来自动计算邀请众包竞赛的贝叶斯纳什均衡，并进一步将其应用于大型图数据集。理论和实证结果表明，新的邀请众包竞赛可以大大增加参与者的数量，从而校长可以获得显着更好的解决方案，而无需大量的广告支出。
2022-11-22 cs.AI cs.GT econ.TH
Scalable Neural Incentive Design with Parameterized Mean-Field Approximation
ETH Zurich（苏黎世联邦理工学院）；ETH AI Center（苏黎世联邦理工学院人工智能中心）
本文提出参数化平均场博弈近似与AMID算法，以可扩展方式设计多智能体激励，在拍卖中显著提升收入并优于基准。
2025-10-24 cs.GT cs.LG cs.MA
Incentive Analysis of Collusion in Fair Division
本研究针对公平分配中智能体合谋操纵的研究空白，定义强群体激励比与群体激励比衡量合谋收益，刻画了MNW、PS、RR三种机制的合谋激励边界，揭示了三者合谋脆弱性的本质差异。
2025-10-02 cs.GT
Cycles and collusion in congestion games under Q-learning
本文分析广义Braess悖论博弈中Q-learning的动力学，揭示其收敛或周期行为，并指出元博弈中参数异构导致合作缺失，为监管与合谋提供新视角。
2025-02-26 cs.GT cs.MA econ.TH
On Incentive Compatible Role-based Reward Distribution in Algorand
Algorand是一个最近的开源公共或非许可区块链系统，它采用了一种新的权益证明拜占庭共识协议，可以有效地将分布式交易协议问题扩展到数十亿用户。除了更民主和节能之外，与比特币等流行协议相比，Algorand还具有更高的交易吞吐量。本文是第一次尝试在文献中研究和解决这个问题。通过仔细建模的参与成本和奖励收到的战略互动的情况下，我们首先经验表明，即使是少量的节点叛逃参与协议任务，由于可用的激励不足，可以导致在Algorand网络无法计算和添加新的块的交易。我们进一步表明，这种效果可以通过数学模型的互动在Algorand给出其参与成本和当前（或计划）的奖励分配/共享方法设想的Algorand基金会。具体来说，在分析这个博弈模型，我们观察到，在目前提出的奖励分享方法下的相互合作是不是一个纳什均衡。这是一个重要的结果，可能会威胁到其他健壮的分布式共识机制的成功。我们提出了一种新的奖励分享方法，并正式证明了它是激励兼容的，即，它可以保证一组自私Algorand用户之间的协作。大量的数值和Algorand模拟结果进一步证实了我们的分析结果。此外，这些结果表明，对于网络中给定的股权分布，我们的奖励共享方法可以保证合作，每轮奖励明显较小。
2019-11-08 cs.CR cs.GT
Can Almost Everybody be Almost Happy? PCP for PPAD and the Inapproximability of Nash
该研究提出PPAD存在类PCP完全问题的猜想，证明若该问题需指数时间求解，可解决领域内多个开放问题，包括验证双人纳什均衡n^O(log n)近似方案的最优性，证明两类近似均衡问题为PPAD完全。
2025-09-05 cs.CC cs.GT
Incentive Design in Competitive Resource Allocation: Exploiting Valuation Asymmetry in Tullock Contests
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；University of Colorado, Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
本文研究了在多玩家图克赛格斯框架下，协调者如何通过设计子代理的估值来影响竞争结果，分析了估值与单位成本对均衡投标和收益的影响，并提出了一种适用于任意数量子代理的优化方法。
2026-05-07 cs.GT
A Service-Oriented Adaptive Hierarchical Incentive Mechanism for Federated Learning
China University of Petroleum, Beijing（中国石油大学（北京））
本文针对联邦学习训练数据不足问题，提出一种面向服务的自适应分层激励机制，通过Stackelberg博弈和MAMDP建模，结合DRL和ASOSA算法最大化各方效用并解决耦合问题。
2025-09-03 cs.GT cs.LG cs.SY
A No-Regret Framework for Adaptive Incentive Design
KTH Royal Institute of Technology（瑞典皇家理工学院）
针对连续动作空间和私有成本的博弈，提出无遗憾自适应激励设计框架，通过切换激励策略实现参数估计和遗憾最小化。
2026-06-01 cs.GT cs.MA cs.SY
The Value of Privacy: Strategic Data Subjects, Incentive Mechanisms and Fundamental Limits
我们研究了交易私人数据的博弈论模型中的数据隐私价值，其中数据收集者通过激励机制从战略数据主体（个人）购买私人数据。每个个体的私有数据表示她关于底层状态的知识，这是数据收集器希望学习的信息。与大多数现有的隐私感知调查工作不同，我们的模型不假设数据收集器是值得信赖的。然后，个人完全控制自己的数据隐私，并仅报告其数据的隐私保护版本。在本文中，隐私的$ε$单位的价值是衡量所有非负支付机制的最低支付，在纳什均衡下，个人的最佳对策是报告的数据与隐私水平的$ε$。$ε$越高，报告数据的私密性越低。我们得出的上下限的隐私值是渐近紧的数据主体的数量变得很大。具体地说，下限保证不可能使用更少的支付金额来购买$ε$单位的隐私，上限由我们设计的可实现的支付机制给出。基于这些基本限制，我们进一步推导出数据收集器达到给定学习精度目标的最小总支付的上下限，并表明所设计的机制的总支付最多是一个人的支付远离最小值。
2016-03-22 cs.CR cs.GT
D3C: Reducing the Price of Anarchy in Multi-Agent Learning
在多智能体系统中，固定激励的复杂相互作用会导致智能体不仅对群体，而且对每个个体来说都很差（效率低下）。无政府状态的无政府代价是一个技术性的、博弈论的定义，它量化了这些情景中出现的低效率--它比较了通过完美协调可以实现的福利与在纳什均衡下自利代理人实现的福利。我们推导出一个可微的，上界的无政府代价，代理可以便宜地估计在学习过程中的无政府状态。配备了这个估计器，代理人可以调整他们的激励方式，提高效率的纳什均衡。代理人通过学习混合他们的奖励来做到这一点。负损失）与其他代理商通过遵循我们推导的上界的梯度。我们将这种方法称为D3 C。在代理激励可区分的情况下，D3 C类似于行为博弈论中著名的Win-Stay，Lose-Shift策略，从而在最大福利的全局目标和既定的以代理为中心的学习规则之间建立了联系。在不可微的设置，是常见的多智能体强化学习，我们表明上限可以通过进化策略减少，直到达成妥协，在一个分布式的方式。我们证明，D3 C提高了每个代理和作为一个整体的几个社会困境，包括交通网络展览布雷斯悖论，囚徒困境，和几个多代理域的结果。
2022-02-20 cs.GT cs.MA
Strategic Information Attacks on Incentive-Compatible Navigational Recommendations in Intelligent Transportation Systems
本研究聚焦智能交通系统中导航推荐系统的局部定向信息攻击漏洞，提出引导用户达混合纳什均衡的协同激励兼容推荐系统，经Stackelberg博弈分析与数值案例验证其易受信息攻击，强调需考虑信息攻击以提升系统韧性。
2023-10-02 cs.GT cs.SY eess.SY
Privacy and Truthful Equilibrium Selection for Aggregative Games
我们研究一类非常普遍的游戏-多维聚合游戏-特别是推广匿名游戏和加权拥塞游戏。对于任何这样的游戏，也是大的，我们解决了均衡选择问题在很强的意义。特别地，我们给出了一个有效的弱中介：一个只具有倾听报告类型和提供无约束力的建议行动的能力的机制，使得（a）每个局中人如实地向中介报告他们的类型，然后遵循其建议行动是一个渐近纳什均衡;（b）当局中人这样做时，他们最终会在诱导完全信息博弈的一个特定的渐近纯策略纳什均衡上协调。事实上，真实的报告是中介博弈的事后纳什均衡，因此我们的解决方案即使在信息不完整的情况下也适用，即使参与者类型是任意的或最坏的情况（即不是从共同的先验中得出的）。我们实现了这一点，给出了一个有效的差分私人算法计算纳什均衡在这样的游戏。所有结果的收敛速度都是关于参与人个数的逆多项式$n$。我们还将我们的主要结果应用到多维市场博弈中。我们的结果可以被看作是给，丰富的游戏类，一个更强大的版本的启示原则，在我们的工作与较弱的信息假设（没有共同的先验），但提供了一个更强的解决方案的概念（事后纳什与贝叶斯纳什均衡）。与之前的工作相比，我们的主要概念贡献是表明弱介体是存在于各种游戏中的博弈论对象-以前，它们只存在于交通路由游戏中。
2015-02-24 cs.DS cs.GT
Nash Core in Multiwinner Election
Stanford University（斯坦福大学）
本文研究多赢家选举中的纳什核心，证明分数场景下纳什核心始终存在，扩展其至离散场景并可高效验证，还通过迭代算法在真实数据上高效计算该解。
2026-09-02 cs.GT
Incentive Designs for Stackelberg Games with a Large Number of Followers and their Mean-Field Limits
研究含一个领导者和大量跟随者的随机Stackelberg博弈激励机制设计，证明有限群体下存在近似最优对称激励策略，但无限群体下平均场极限不适定，故引入含主要跟随者的扩展模型并证明其激励策略存在性。
2024-02-12 cs.GT
A Game Theoretic Analysis of Validator Strategies in Ethereum 2.0
本文通过贝叶斯博弈模型分析以太坊 2.0 单 slot 中区块提议者与见证者的策略，证明其激励机制激励相容并存在贝叶斯纳什均衡和事前占优策略，从而验证了协议对验证者合作的促进作用。
2024-05-07 cs.GT
Eco-driving Incentive Mechanisms for Mitigating Emissions in Urban Transportation
本文提出促进生态驾驶以减少交通网络排放的激励机制，通过获取驾驶员偏好并设计最优预算与建议，构建了确保服从与真实报告的纳什均衡，有效应对策略性行为与网络效应。
2025-10-14 cs.GT cs.SY eess.SY
