研究内容为解决缺乏客观基本事实的情况下从多个代理人中收集信息的问题,介绍了一种有效的多任务机制和相关协议机制,并在不同信号分布条件下证明了其在保持强真实性方面的可行性。
Mar, 2016
本研究提出一种新的信息引出机制,可用于多任务时具有内生能力的代理人的二进制信息引出,其奖励代理人同意 “参考” 评估者的任务,但惩罚盲目同意,以鼓励代理人付出更多的努力,以便获取奖励。
Mar, 2013
本文研究采用输出一致性机制从工作者群体中引发努力,并从广义上考虑工作者的努力成本,导出了一致性机制的最优奖励级别,包括了初始知识和学习成本分布的情况。
Apr, 2016
本研究介绍了一种名为 FaRM 的机制,它是一种纳什激励机制,专注于支持基于本地活动的信息聚合,为代理人提供公平奖励,这是通过使用对抗恶意代理人的技术,衡量代理人的历史行为记录,并解决其他潜在问题来实现的。
Jun, 2019
本文提出了一种奖励设计方法,通过多智能体强化学习和黑盒优化使得自利型智能体在非合作多智能体系统中选择的动作能够产生优化的系统结果,并且能通过离线的马尔可夫博弈来得到最优的激励设计结构。
Jan, 2019
本研究通过建立一个模型,并且研究了两个学习任务,即平均值估计和强凸目标的多轮 SGD,提出了一种可以激励诚实通信并确保学习质量的机制,以便对抗具有不诚实更新倾向的竞争者。我们最后在标准非凸联合学习基准测试上验证了我们机制的有效性,并证明了对于协作学习,明确建模不诚实客户的激励和行为可以提供强大的鲁棒性保证。
May, 2023
研究了在个体参与调查的成本未知且服从已知分布的情况下,设计一种激励机制使得参与者能够真实反映的调查方案,以达到最小化估计方差和调查成本的目标。
Mar, 2012
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。
Jul, 2012
提出了一种新颖的机制来激励人群工作,仅给少数人分配黄金任务并利用传递性从他们的同伴准确性中推导其他人的准确性,从而确保博弈论激励兼容性和公平性。
Apr, 2018
本文介绍了一种针对众包数据采集的新方案,在线性回归模型中设计了一种激励机制,旨在促使代理提供高质量数据,并证明了该方案确保了数据报告的真实性和鲁棒性,同时并对影响与总损失的差异进行了矫正,实现了有效的数据收集。
Aug, 2019