Jun, 2024

基于深度学习的大规模上下文市场均衡计算

PDF
TL;DR本研究采用基于深度学习的方法，探索了在大规模买家群体的背景情境下计算市场均衡的问题，并引入了一种名为 MarketFCNet 的方法，该方法以买家和货物的背景为基础，通过神经网络近似计算市场均衡，并通过一种度量标准称为 Nash Gap 评估了其准确度和性能。研究结果表明，MarketFCNet 在大规模背景市场均衡近似计算方面具有竞争力并显著降低了运行时间，展示了基于深度学习的方法加速大规模背景市场均衡近似计算的潜力。
market equilibriummarket computationlarge-scale buyer populationcontextual market modeldeep learning-based method
发现论文，激发创造
  • 深度学习解决和估计动态宏观金融模型

    本文介绍利用深度学习解决和估计金融经济学中的经典连续时间一般均衡模型的方法，并以两个实例说明其优点。

    May, 2023

  • 无分布偏置的上下文动态定价

    本研究旨在探讨基于上下文的动态定价，采用一种新颖的扰动线性 bandit 框架来平衡市场噪音与当前知识的利用，学习上下文函数和市场噪音，证明了所述策略在扰动线性 bandit 框架下的遗憾上界和匹配下界，并且在模拟和现实场景中表现出卓越的性能。

    Sep, 2021

  • 改进的上下文动态定价算法

    在此研究中，我们探讨了上下文动态定价的关键问题，提出了两种估值模型，并针对线性性假设和期望买家估值问题分别设计了算法，以实现较低的后悔率。

    Jun, 2024

  • 大规模零和博弈均衡计算的统一视角

    本文研究如何在大型零和博弈中计算近似纳什均衡，提出两种方法：无悔在线学习和基于凸凹点公式的梯度方法，并尝试将两种方法进行整合。

    Nov, 2014

  • 多尺度深度平衡模型

    我们提出了一种新的隐式网络类别，即多尺度深度平衡模型（MDEQ），适用于大规模高度分层的模式识别领域。这种方法可以同时解决多个特征维度的平衡点，并且可以用于多种任务和损失函数，例如使用单个 MDEQ 同时执行图像分类和语义分割。在 ImageNet 分类和 Cityscapes 数据集高分辨率图像的语义分割任务上，我们展示了此方法的有效性。

    Jun, 2020

  • 数据市场设计通过深度学习

    利用深度学习方法设计收入最优的数据市场，可以几乎精确地复制所有已知的理论解决方案，扩展到更复杂的环境，并用于建立数据市场最优设计的结构推测。

    Oct, 2023

  • 深度虚拟博弈对多智能体游戏中马尔科夫纳什均衡的寻找

    提出了一种基于深度神经网络的算法来识别一般大型 $N$ 人随机微分博弈的马尔可夫纳什均衡，该算法的核心思想是将 $N$ 人游戏重塑为 $N$ 个解耦决策问题，并通过迭代解决。

    Dec, 2019

  • 固定价格数据市场中的均衡与学习：外部性

    该论文提出了一种模拟现实世界数据市场的模型，研究了买家之间存在的负向外部性问题，进而探讨了不同干预市场方式下的 Nash 均衡状态及社会福利最优的情况，并给出了一种适用于未知估值的在线学习算法。

    Feb, 2023

  • 数据采集游戏的平衡特征描述

    研究了两个公司在机器学习为基础的服务领域中的游戏，考虑购买一组新的数据对公司产品质量的提高，分析了不同参数下的 Nash 均衡情况，并指出游戏的平衡态与顾客福利最大化不一致，证明了游戏结局是较强公司的市场地位减弱而较弱公司的市场地位加强。

    May, 2019

  • 动态定价中 n 人马尔可夫博弈的近似纳什均衡学习

    本文研究了具有竞争性的马尔可夫游戏中的 Nash 均衡学习，使用了一种新的无模型方法找到近似 Nash 均衡，其中策略 - ε 对应性和状态至 ε- 最小策略是用神经网络表示的。在动态价格领域，可以学习到近似的 Nash 均衡。

    Jul, 2022