逆优化数据驱动的平衡估计

Aug, 2013

Data-Driven Estimation in Equilibrium Using Inverse Optimization

Dimitris Bertsimas, Vishal Gupta, Ioannis Ch. Paschalidis

TL;DR本文介绍了一种基于逆优化及变分不等式理论的数据驱动方法，用于估计在平衡模型中难以估计的参数，包括游戏中玩家的收益函数和道路网络中的拥挤函数，并使用统计学习方法进行参数化和非参数化估计。经过计算实验，结果表明该方法能够有效地估算出未知的需求或拥挤函数，并且我们提出的正则化技术大大提高了我们估算器的外样性能。

Abstract

equilibrium modeling is common in a variety of fields such as game theory and transportation science. The inputs for these models, however, are often difficult to estimate, while their outputs, i.e., the equilibria they are meant to describe, are often directly observable. By combining

equilibrium modeling inverse optimization variational inequalities data-driven technique statistical learning

发现论文，激发创造

从行为理论到计量经济学：通过重复交互数据推断人类参与者的偏好

本文考虑了如何从人类交互数据中准确估计人类主体的偏好，并与行为经济学中的均衡概念相比较，其中四种基于行为均衡模型的估计方法被开发用于推断人类代理的效用，并使用 2x2 游戏的实验数据进行评估。结果表明，这些行为均衡方法产生的估计结果比纳什均衡法更准确，并且与量纲后悔法相比较，这些行为方法具有更好的命中率，但相对于整体均方误差来说，量纲后悔法表现更好，我们探讨了这些方法之间的差异。

Dec, 2021

平衡逆强化学习用于出租车网络

该研究提出了一种算法，能够在具有自主性的司机行为中，通过利用值迭代方法和策略传播计算所有乘客和司机的均衡策略，在 spatio-temporal distributions 与税车轨迹数据集等多个方面表现出优异的性能。

Feb, 2021

一种贝叶斯优化方法来寻找纳什均衡

采用 Gaussian-process 和 Bayesian optimization 框架，提出适用于 derivative-free 环境下求解游戏均衡的算法，相比传统的基于导数的算法，可以在可接受的黑盒计算成本下，可靠地求得均衡。

Nov, 2016

计算理性化：逆平衡问题

该文介绍了一种在多智能体领域应用的、基于逆优化控制、遗憾和最大熵原理的方法，用于预测与推广多智能体的行为，并恢复其奖励函数。

Mar, 2011

学习代理的计量经济学

本文开发了一种理论，可以在广义第二价格拍卖中从观察到的数据中推断出玩家估值，而不需要依赖于纳什均衡的假设，并展示了如何在一些 no-regret learning 算法的假设下推断玩家的价值，这对于在拍卖数据上测试任何学习理论行为模型前的重要步骤。

May, 2015

选择模型与置换不变性

本文介绍了一种基于非参数估计的选择模型，该模型使用神经网络逼近各种现有选择模型，并扩展到包括对内生特征的估计，同时介绍了一种有效的置信区间构建方法，使用真实数据进行了实证分析，并验证了其在实际应用中的可行性。

Jul, 2023

具有战略数据来源的最佳统计估计

提出一种最优机制，为统计估算器的数据源提供货币激励，以低成本提供高质量的数据，使支付总额和估算误差最小，广泛应用于线性回归和多项式回归，核回归和岭回归等估算器，并应用于各种目标，包括在预算限制下减少估算误差。

Aug, 2014

通过逆最优输运学习匹配

本文提出了一种基于反向最优传输的统一数据驱动框架，可从噪声和不完整的实证匹配矩阵中学习自适应、非线性交互成本函数并在各种匹配环境下预测新的匹配。

Feb, 2018

一种稳健的逆优化效用学习框架

使用鲁棒的参数效用学习框架，将用户交互建模为非合作博弈，并通过集成方法扩展来提高预测性能。应用于鼓励用户节能行为的社交游戏实验中，表现出良好的性能。

Apr, 2017

反问题的平衡方法的收敛分析

本文研究基于深度平衡方法的成像和其他逆问题求解方法中的正则化问题，通过提供稳定性和收敛性结果及对称 Bregman 距离的收敛率和稳定性估计来解决这一问题，并使用此分析来设计一种新的损失函数及证明解的性能下界。

Jun, 2023