Jul, 2012

大型博弈中的机制设计：激励与隐私

PDF
TL;DR使用推荐机制实现不完全信息环境中完全信息博弈的均衡，基于差分隐私提出的联合差分隐私算法可用于满足所需的推荐机制的激励性质和隐私特性。
发现论文，激发创造
  • 提高群体诚实度的机制

    本论文考虑如何设计一种激励机制，以在固有的逆向选择环境下，利用纯粹的协作或对抗以及报告代价获得真实从众意见汇报。

    Jan, 2014

  • 多方机器学习的机制设计

    该研究通过机制设计的方式探究了多方协作进行多方机器学习模型优化的问题，并提出了适用于这种情况的最优真实机制。

    Jan, 2020

  • 无限不完全信息游戏的受限自动机制设计

    提出了一个基于两阶段博弈模型的自动化机制设计功能框架，并将其应用于几类不完全信息的两人无穷博弈中。我们的方法使用黑盒优化算法，可以实现优化或接近最优化的机制设计，并在多种应用领域得到了验证。通过与已知的最优机制进行比较，我们证明了该方法是参数化设计间接机制的一个有前途的方法。

    Jun, 2012

  • 推荐生态系统建模：机制设计、强化学习和生成模型的交叉研究挑战

    在现代推荐系统中，为了最大化系统对参与者的价值并提高整体生态系统的 “健康度”，必须明确地对系统中的所有参与者的激励和行为进行建模，并考虑推荐者策略引起的相互作用。这需要使用强化学习等技术进行长期优化，使用社会选择方法对不同参与者的效用进行权衡，利用机制设计的工具来减少信息不对称并考虑激励和战略行为，通过整合行为经济学和心理学的概念来更好地对用户和项目提供者的行为进行建模，以及利用生成模型和基础模型的最新进展来使这些机制可解释和可操作。基于这些不同学科的交叉点，我们提出了一个概念框架，并阐明了几个研究挑战。

    Sep, 2023

  • 普适效用最大化的隐私机制

    本文提出了一种基于差分隐私的机制，以保证数据查询的数据隐私和查询效用之间的平衡。机制包含了每个可能的用户的期望最小化的代价函数，并且针对每个固定数量的查询和差分隐私级别，存在一种几何机制可以同时保证每个可能用户的最佳实用性，这是一种极强的实用性保障。

    Nov, 2008

  • 重视隐私的代理机制

    本篇论文提出了一种新的建模隐私保护的方式，通过在玩家的效用函数中引入隐私代价，基于此提出了三种保证机制使得机制既能保证差分隐私，又能保证数据的真实性，实验表明该方法在玩家数量增加时能逐步优化社会效益。

    Nov, 2011

  • Bayes 相关均衡和无悔动态

    本文探讨了贝叶斯博弈的均衡概念，包括相关均衡、通信均衡，推导出基于均衡对策的博弈稳定状态的实现方法，提出一种满足稳定、高效、优化多个博弈均衡的新均衡概念。

    Apr, 2023

  • 私有协同机器学习中的激励机制

    通过差分隐私作为奖励，我们通过引入协作机器学习训练模型，对多个参与方的数据进行价值评估和奖励，并保护隐私风险。实证结果表明，我们的方法在合成和真实数据集上具有有效性和实用性。

    Apr, 2024

  • 深度学习应用于机制设计：主要成果和一些新的应用

    机制设计是通过深度学习逼近满足所需特性的机制，研究中介绍了技术细节和关键成果，并展示了三个实证案例。

    Jan, 2024

  • 局部差分隐私的极值机制

    本研究研究了本地差分隐私和效用之间的基本权衡，介绍了一种组合极端私有化机制族，即楼梯机制，并通过展示它包含广泛信息理论实用程序的最优私有化机制来证明其有效性。同时，我们证明了二进制和随机响应机制在低、高隐私区间是普遍最优的，能够很好地近似中间区间。

    Jul, 2014