本文提出了一种基于 Shapley 价值和信息增益的奖励方案，在注入高斯噪声时通过一个可调参数权衡公平和稳定性，以满足合作机器学习中的一些可取属性，并根据合成和真实数据集来评估其性能。
Oct, 2020
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
本文讨论了在多方数据联合训练机器学习模型时，可能存在一方恶意注入污染数据导致模型性能下降的问题，并提出了采用对抗训练的方法可以避免此问题，同时保证各方数据的隐私安全。
Jan, 2019
本文研究了自动机制设计中的部分验证问题，侧重于所有类型在结果上共享相同偏好的环境中的真实机制，并寻找优化确定性真实机制的有效算法，同时将这些结果推广到代价函数为次模的情况。
Apr, 2021
提出了一种激励感知的机器学习任务委托理论框架来防止利益冲突及影响预测性能的问题，并通过学习曲线和标度律构建小规模数据所需的预算最优合约以实现性能和经济成果的综合评估。
Jun, 2023
本研究探讨合作机器学习市场的问题，讨论机器学习市场的公平收入分配和潜在威胁，包括数据复制。我们引入了一个新的付款分割功能和定制输出模型，以在具有不同学习任务的方的情况下刺激方提交高质量的训练和验证数据，并在实验中验证了我们理论分析的假设和这些假设的适用性。
Nov, 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
本文探讨如何根据参与者的历史数据来更新经济机制以优化其表现，着重研究了在保证推断参与者偏好可行的前提下，设计最优机制的理论。
Apr, 2014
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
本文提供了一种从机制设计到算法设计的计算高效的黑盒约简方法，并且在虚拟福利和收益两个问题上进行了探讨，发现在单调子模拟拍卖场景下，这两个问题都无法在多项式时间内进行近似解决。
May, 2013