Jun, 2024

学习系统中竞争对手之间的无耐受合作

PDF
TL;DR研究协同学习系统，在此系统中，参与者是竞争对手，如果通过合作而损失收入，他们将背叛系统。我们首先研究了完全协作方案，发现这导致市场崩溃，两家公司的收入都降为零。接着，我们展示了一种单方面协作方案，即只有质量较低的公司分享模型，这提高了两家公司的收入。最后，我们提出了一种更公平、无背叛的方案，在此方案中，两家公司相互分享模型而不损失收入，并证明我们的算法收敛于纳什谈判解。
发现论文，激发创造
  • 竞争对手之间的战略数据共享

    该研究介绍了一种数据分享平衡框架，用于分析数据分享所带来的利益和损失，并研究了市场条件对合作动机的影响。研究结果表明，市场竞争的缩小和更难的学习任务会促进数据分享的合作性。

    May, 2023

  • 关于联邦学习中叛变影响及其预防措施

    该研究证明了参与者的永久叛变对最终模型的稳健性和泛化能力造成的不利影响，并且表明了当前联邦优化算法未能阻止这些有害的叛变。我们引入了一种具有理论保证的新型优化算法，在确保所有参与者达到一个有效解决方案的渐进收敛性的同时，预防了叛变，并通过数值实验验证了我们算法的有效性。

    Nov, 2023

  • 合作学习和优化中激励竞争者诚实行为的研究

    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

  • 竞争环境下探索的危险：一种计算建模方法

    通过对探索和竞争之间的相互作用进行实证研究，我们发现：在数字经济中，数据作为进入在线市场的一个障碍，可能促使更好的算法的产生，获得更高的消费者福利；在有竞争的市场中，探索可能会损害系统的声誉，进而降低市场份额，而第一个进入市场的公司则可能促进更好的算法的出现从而提高客户福利。

    Feb, 2019

  • 训练和推断期间的预测共享

    两家公司在竞争性预测任务中，通过共享数据和选择最佳合同来研究预测模型和实时预测。

    Mar, 2024

  • 竞争中的学习：对抗式赌博机

    研究系统在进行学习和获取新信息的探索过程中如何平衡用户的需求和竞争，通过考虑多臂赌博算法之间的竞争和用户的不同反应模型，研究竞争是否促进更好的算法的采用，这与经济学中的 “竞争与创新” 关系密切相关。

    Feb, 2017

  • 数据复制鲁棒支付的协作机器学习市场

    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

  • 自适应算法和耦合协作

    该研究基于连续时间技术提出了一个理论模型，旨在研究适应性学习算法之间的策略互动。通过揭示算法之间的自发耦合机制，该研究证明了人工智能算法之间存在的勾结现象，并提出了一种足以消除算法间自发耦合的充分条件，以及设计学习鲁棒性策略的机制所必要的回馈机制。

    Feb, 2022

  • 基于结构匹配市场的去中心化、无需通信和协调的学习

    在双边撮合市场中，我们研究了竞争环境下在线学习的问题，如一方的代理人必须通过重复互动了解对另一方的企业的偏好，并与其他代理人竞争成功匹配。我们提出了一类分散、不需要协调的算法，代理人可以使用该算法在结构化匹配市场中达到稳定匹配，其决策仅基于代理人自己的游戏历史，不需要预先了解企业的偏好。研究表明，在代理人和企业的底层偏好具有现实结构假设的情况下，所提出的算法在时间范围内具有最多对数增加的后悔成本。在匹配市场的情况下，我们的结果表明，竞争不会极大地影响分散、不需要通信和协调的在线学习算法的性能。

    Jun, 2022

  • 匹配市场中的竞争赌徒

    本研究提出了一种统计学习模型，用于解决双边市场中的稳定匹配问题，其中一方需从随机奖励中学习另一方的偏好，该模型扩展了标准的多臂赌博机框架，并研究了集中式和分散式方法，发现与单人多臂赌博机设置相比，具有令人惊讶的探索 - 利用权衡。

    Jun, 2019