Persuasion with Limited Communication
我们研究信息结构设计,也称为“说服”或“信号”,在存在的限制的通信量。我们专注于双边贸易的基本设置,在其最简单的形式涉及一个卖方与一个单一的项目定价,买方的项目的价值是从一个共同的先验分布超过$n$不同的可能值,和一个接受它或离开它提供协议。可以访问买方类型的中介器可以部分地向卖方揭示这样的信息,以便促进诸如社会福利或卖方收入之类的某些目标。在双边贸易下的福利最大化的设置,我们表明,$O(\log(n) \log \frac{1}ε)$信号足以为$1-ε$近似的最优福利,这个界是紧的。作为我们的主要结果,我们表现出一个有效的算法计算$\frac{M-1}{M} \cdot (1-1/e)$近似福利最大化计划最多M个信号。对于收入的目标,我们表明,$Ω(n)$信号需要一个常数因子近似的收入完全知情的卖方。然而,从计算的角度来看,问题变得更容易:我们表明,一个简单的动态程序计算M个信号的信号方案最大化卖方的收入。观察到双边贸易中的信号问题是卡梅尼卡和根茨科的基本贝叶斯说服模型的一个特例,我们还研究了通信约束信号的问题更普遍。在这个模型中,有一个发送者(中介),一个接收者(卖方)希望采取行动(设定价格),以及一个从共同先验中得出的自然状态(买方的类型)。我们表明,它是NP-难的近似最佳发送者的效用在任何常数因子中存在的通信约束。
2020-03-05 cs.GT
Multi-Channel Bayesian Persuasion
著名的贝叶斯说服模型考虑了知情的代理人(发送者)和不知情的决策者(接收者)之间的战略沟通。目前快速增长的文献大多假设二分法:发送者足够强大,可以单独与每个接收者进行通信(也称为“发送者”)。私人劝说),或者她根本不能单独沟通(也就是说,公众舆论)。我们研究了一个模型,平滑插值之间的两个,通过考虑一个自然的多通道通信结构中,每个接收器观察发送者的通信信道的一个子集。这捕获了,例如,网络上的接收者,信息溢出几乎是不可避免的。我们完全表征时,一个通信结构是更好的发送者比另一个,在这个意义上产生更高的最优预期效用普遍超过所有先验分布和效用函数。的表征是基于一个简单的接收器之间的成对关系-一个接收器的信息-占主导地位的另一个,如果他观察到至少相同的信道。我们证明了一个通信结构$M_1$是(弱)优于$M_2$当且仅当每个信息主导对接收器在$M_1$也是这样在$M_2$。我们还提供了一个添加剂的FPTAS的最佳发送方的信令方案时,状态数是常数和图的信息支配对是一个有向森林。最后,我们证明,找到一个最佳的信令方案下的多通道说服,一般来说,计算上比公共和私人的说服。
2022-03-15 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-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
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
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
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
Algorithmic Persuasion with No Externalities
研究了信息结构设计的算法。说服或信号-在Arieli和Babichenko介绍的一个基本特殊情况下:多个代理,二元行为,没有代理间的外部性。与之前的工作不同,我们允许许多自然状态。我们假设校长的目标是一个单调的集函数,并研究在公共信号和私人信号模型的问题,绘制两者之间的效率和计算复杂性方面的鲜明对比。当私人信号被允许时,我们的结果在很大程度上是积极的,而且相当普遍。首先,我们证明了最优信令和最大化目标函数加一个附加函数的问题之间的多项式时间等价性。当目标是超模或匿名时,这产生了最优方案的有效实现。其次,我们展示了(1-1/e)-近似的最佳私人信令方案,模的附加损失$ε$,当目标函数是submodular。这两个结果简化、统一和推广了[Arieli and Babichenko,2016]和[Babichenko and Barman,2016]的结果,将它们从自然界的二元状态扩展到许多状态(对后一结果中的加性损失取模)。第三,我们考虑具有子模目标的二元状态情况,并简化和稍微加强[Babichenko and Barman,2016]的结果,以通过显式构造的方案获得(1-1/e)-近似。当只允许公开信号时,我们的结果是否定的。首先,我们证明了在任何常数因子内,即使目标是可加的,近似最优公共方案也是NP困难的。其次,我们证明了最优私有方案在最大化发送方目标方面可以通过多项式因子优于最优…
2017-05-13 cs.GT
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
Markov Persuasion Processes with Endogenous Agent Beliefs
针对接收者信念依赖已实现历史的马尔可夫说服过程,论文提出 ℓ 期滞后局部信息模型,刻画收益排序并给出基准最优算法,还设计了大 ℓ 下近似最优的历史无关信号机制。
2023-07-13 cs.GT econ.TH
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 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
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
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
Ex-post Individually Rational Bayesian Persuasion
本文提出事后个体理性贝叶斯说服,以增强发送者如实披露和接收者信任的激励,并用线性规划刻画最优策略,证明其在多类博弈中不损失发送者效用。
2024-12-02 cs.GT
The Power of Signaling and its Intrinsic Connection to the Price of Anarchy
博弈论的一个基本教训是,战略行为往往会使均衡结果无效。信息设计的最新文献。信号或说服--通过向参与者提供精心调整的信息来影响他们的行动,从而改善均衡。大多数以前的研究都集中在设计最佳信令方案的问题。这项工作从以前的研究出发,考虑一个描述性的问题,并期待定量表征信号的力量(PoS),即,一个信号设计者可以在多大程度上改善她的均衡结果的目标。我们考虑了四种功率递增的信令方案:完全信息、最优公共信令、最优私有信令和最优事前私有信令。我们的主要结果是一个干净的和严格的表征的额外权力,每个信令方案已超过其直接的前任以上在广泛的类成本最小化和收益最大化的游戏,其中:(1)所有的球员最小化非负成本函数或最大化非负收益函数;(2)信令设计者(自然)优化球员的效用之和。我们证明,额外的权力的信号-定义为最坏情况下的比例之间的平衡目标的两个连续的信号方案在上述列表-是有界的,正是由充分研究的概念,相应的游戏的无政府状态的无政府代价。此外,我们证明了所有这些界限是紧的。
2020-09-27 cs.GT
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
Off-Policy Evaluation for Sequential Persuasion Process with Unobserved Confounding
Department of Systems Engineering, Cornell University(系统工程系,康奈尔大学);School of Civil and Environmental Engineering, Cornell University(土木与环境工程学院,康奈尔大学)
本文扩展贝叶斯说服框架,考虑未观测混杂因素,将其建模为POMDP,证明最优观测策略等价于最优信号策略,并利用近端学习实现仅凭观测数据进行离线策略评估。
2025-08-07 cs.AI cs.GT cs.SY
Persuading Voters in District-based Elections
Politecnico di Milano(米兰理工大学)
我们专注于代理人可以利用他的信息优势来操纵选举结果的情况。特别是,我们研究了有两名候选人的地区选举,其中获胜者是在大多数地区获胜的候选人。以地区为基础的选举在世界范围内得到采用(例如,英国和美国),并且是广泛研究的投票机制的自然延伸(例如,K-投票和多数投票)。我们求助于贝叶斯说服框架,操纵者(发送者)策略性地向理性更新其信念的选民(接收者)披露信息。我们研究了私有信令和公共信令,在私有信令中,发送方可以为每个接收方使用私有通信信道,在公共信令中,发送方可以为所有接收方使用单个通信信道。此外,第一次,我们介绍了半公共信令,其中发送方可以使用一个单一的通信信道每个区。我们发现,有一个私人和(半)公共信号之间的鲜明区别。特别地,最优私有信令方案可以提供比(半)公共信令方案任意更好的胜利概率,并且可以被有效地计算,而最优(半)公共信令方案不能在多项式时间中的任何因子内近似,除非P=NP。然而,我们表明,合理的放宽允许设计的多标准PTAS的最佳(半)公共信号方案。在这样做时,我们引入了一个新的属性,即比较稳定性,我们设计了一个双标准PTAS公共信号在一般贝叶斯说服问题超越选举时,发送者的效用函数是状态依赖的。
2020-12-10 cs.AI cs.GT
Truth Revelation, Information Hiding, or Misinformation: Characterization of Equilibrium Outcomes in Signaling Games
TOBB University of Economics and Technology(托卜经济与技术大学);Bilkent University(比尔肯特大学);Queen’s University(女王大学)
本文刻画了信号博弈中均衡结果的条件,证明在特定收益结构下随机化策略可提升发送者收益,并给出算法及统一结论。
2026-09-09 cs.GT cs.IT math.IT
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 Persuasion: A Computational Perspective
Harvard University(哈佛大学);University of Chicago(芝加哥大学)
该研究针对多发送者说服问题,证明其一般均衡求解为PPAD难、单发送者最优响应为NP难,提出结合外梯度算法的可微分神经网络寻找帕累托更优的局部纳什均衡,为相关经济问题提供理论与实证支撑。
2024-06-20 cs.AI cs.GT
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 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
Learning to Persuade Privately Informed Receivers
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究针对接收者拥有发送者未知私人信号方案的在线贝叶斯说服问题,设计了遗憾值为$\tilde{O}(T^{3/4})$的学习算法,将信念空间划分学习简化为变点检测问题。
2026-08-04 cs.GT cs.LG
Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning
Yale University(耶鲁大学);University of Virginia(弗吉尼亚大学);University of Science and Technology of China(中国科学技术大学);Google(谷歌);Northwestern University(西北大学)
在当今经济中,互联网平台考虑顺序信息设计问题以使其长期利益与gig服务提供商的激励相一致变得重要。本文提出了一种新的模型,顺序信息设计,即马尔可夫说服过程(MPPs),发送者,具有信息优势,试图说服流近视接收者采取行动,最大限度地提高发送者的累积效用在有限时域马尔可夫环境中,具有不同的先验和效用函数。因此,在MPP规划面临着独特的挑战,在寻找一个信令策略,同时具有说服力的近视的接收器,并诱导发送器的最佳长期累积效用。然而,在模型已知的总体水平上,事实证明,我们可以有效地确定最优(分别为)。$ε$ -最佳)策略,具有有限(分别无限的)状态和结果,通过修改公式的贝尔曼方程。我们的主要技术贡献是研究在线强化学习(RL)设置下的MPP,其目标是通过与底层MPP交互来学习最优信令策略,而无需知道发送方的效用函数,先验分布和马尔可夫转移核。我们设计了一个可证明有效的无遗憾学习算法,说服过程的乐观-悲观原则(OP 4),它具有乐观和悲观原则的新颖组合。我们的算法通过实现次线性$\sqrt{T}$ -遗憾上界而享有样本效率。此外,我们的算法和理论都可以通过函数逼近应用于具有大空间结果和状态的MPP,并且我们在线性设置下展示了这样的成功。
2022-02-22 cs.AI cs.GT cs.LG
Persuading Farsighted Receivers in MDPs: the Power of Honesty
本文针对MDP中接收者有远见的贝叶斯说服问题,证明马尔可夫信号方案非最优,提出承诺形式的历史依赖信号方案,并给出多项式时间算法计算最优且ε-说服性方案,凸显诚实承诺的力量。
2023-06-21 cs.GT
Algorithmic Persuasion with Evidence
本文从计算视角研究带证据劝说博弈的无承诺、信号承诺与委托三种变体,给出困难性、最优近似及特殊情形多项式算法。
2024-09-07 cs.DS 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
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
Information Design With Large Language Models
Google Research(谷歌研究);Harvard University(哈佛大学);University of Chicago(芝加哥大学)
本文提出基于大语言模型的信息设计框架,通过语言化方式影响接收者信念,并结合贝叶斯说服模型进行优化。
2026-03-03 cs.GT
Learning to Price with Persuasion
Carnegie Mellon University(卡内基梅隆大学)
针对现代市场的信息与机制设计问题,该研究在Bergemann等人的经济模型基础上,放宽卖家知晓买家品味信念的假设,通过FPTAS方案解决收益最大化问题,为不对称经济环境提供新学习视角。
2026-08-18 cs.GT cs.LG 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
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
Explainable Information Design
Harvard University(哈佛大学);Microsoft Research(微软研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Chinese University of Hong Kong(香港中文大学);Yale University(耶鲁大学)
针对连续状态空间的线性信息设计,提出可解释信息设计概念,通过区间划分策略实现可解释性,证明最坏情况下可解释性代价为1/2,并扩展到多维情形。
2026-06-23 cs.DS cs.GT econ.TH
Learning to Persuade on the Fly: Robustness Against Ignorance
University of Minnesota(明尼苏达大学);University of Chicago(芝加哥大学)
本文研究发送者在未知状态分布下即时学习并说服接收者的问题,提出以鲁棒性为核心的说服力准则,并设计算法实现 $O(\sqrt{T\log T})$ 的最优遗憾界。
2024-05-03 cs.GT cs.LG econ.TH
Learning to Persuade a Biased Receiver
Harvard University(哈佛大学)
研究重复信息设计问题,接收者系统性偏见影响信念更新,提出安全探索算法以学习偏见并维持说服价值,实现O(log log T)的最优 regret。
2026-05-14 cs.GT
Learning How to Strategically Disclose Information
Coordinated Science Lab, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校协调科学实验室)
本文研究在线策略性信息设计,提出参数化方法使发送者在未知接收者类型下实现次线性遗憾,并扩展至带信息成本的说服问题。
2024-03-13 cs.GT cs.IT cs.LG