人工智能的现代应用涉及在异构和潜在大规模环境中训练和部署机器学习模型。 新兴的数据多样性不仅为推进人工智能系统带来了新的可能性,而且还限制了由于隐私、安全和公平等紧迫问题而导致信息在环境中共享的程度。 基于将学习算法作为假设空间的选择对应的新特征,这项工作在直观和合理的公理方面提供了最低要求,在这种公理下,异构环境中唯一的理性学习算法是经验风险最小化(ERM),该经验风险最小化(ERM)单方面从单一环境中学习,而无需跨环境信息共享。 我们的(im)可能性结果强调了任何算法为实现集体智能(CI)而将面临的基本权衡,即跨异构环境学习的能力。 最终,在异构环境中的集体学习本质上是困难的,因为在机器学习的关键领域,如配电外通用化,联合/协作学习,算法公平性和多模态学习,对跨环境的模型预测性能进行有意义的比较是不太可能的。
已经进行了几项研究,通过应用各种指数来衡量以太坊的去中心化水平,以表明实体在生态系统中不同领域的相对主导地位。 然而,这些指数并没有捕捉到这些不同实体之间的任何相关性,这可能会使它们成为外部胁迫或秘密勾结的主题。 我们提出了一个指数,根据相关性因子的应用来衡量实体的相对主导地位。 我们认为,这种方法产生了更细致和准确的权力下放指数。
本文介绍并正式验证了使用精益4定理证明器在N维度中一阶随机支配(FSD)的新几何框架。 传统的多维随机支配分析方法在很大程度上依赖于复杂的测量理论和多变量微积分,为举证助手的形式化创造了重大障碍。 我们的几何方法通过直接比较右上角矫正者的生存概率来表征N维FSD,绕过了复杂融合理论的需要。 我们正式化了关键定义,并证明了传统FSD要求与我们的几何表征之间的等价性。 这种方法实现了更易于处理和直观的正式验证路径,同时保持数学严谨性。 我们展示了这个框架如何直接能够在投资组合选择、风险管理和福利分析中实现多维经济问题的正式分析。 这项工作为进一步发展经济和金融领域的经过验证的决策工具奠定了基础,特别是对于需要严格担保的高风险领域。
核心选择组合拍卖是流行的拍卖设计,限制价格,以消除任何一组竞标者 - 与卖方 - 重新谈判以获得更好的交易的动机。 它们有助于克服经典组合拍卖的低收入问题。 我们引入了一类新的核心选择组合拍卖,利用拍卖设计师可用的竞标者信息。 我们通过限制投标人的联合类型空间来模拟这些信息 - 这些是投标人私人估值的限制,这些限制是在投标被引出之前由拍卖设计师持有的。 首先,我们表明,类型空间信息可以克服激励兼容核心选择组合拍卖的众所周知的不可能性。 我们介绍了该不可能结果的修订和广义版本,该版本取决于类型空间传达了多少信息。 然后,我们设计了一个新的核心选择组合拍卖家族,并表明他们尽量减少竞标者偏离真实投标的动机的总和。 我们开发新的约束生成技术 - 并建立在现有的二次编程技术的基础上 - 计算核心价格,并进行实验以评估我们新拍卖的激励,收入,公平和计算优点。 我们新的核心选择拍卖直接改进了已在世界各地许多高风险拍卖中使用的现有设计。 我们设想它们将成为任何拍卖设计师工具包的有用补充。
基于大型语言模型(LLM)的搜索引擎的日益集成改变了信息检索的格局。 然而,这些系统容易受到对抗性攻击,特别是排名操纵攻击,攻击者制作网页内容以操纵LLM的排名并推广特定内容,获得比竞争对手不公平的优势。 在本文中,我们研究排名操纵攻击的动态。 我们将这个问题定义为无限重复的囚犯困境,其中多个玩家战略性地决定是否合作或攻击。 我们分析了可以持续合作的条件,确定了攻击成本、折扣率、攻击成功率以及影响玩家行为的触发策略等关键因素。 我们确定了系统动态中的临界点,表明当玩家具有前瞻性时,合作更有可能持续下去。 然而,从防御的角度来看,我们发现简单地减少攻击成功概率可以,矛盾的是,可以激励攻击在某些条件下。 此外,在某些情况下,限制攻击成功率上限的防御措施可能是徒劳的。 这些见解突出了保护基于LLM的系统的复杂性。 我们的工作为理解和减轻其脆弱性提供了理论基础和实践见解,同时强调了适应性安全策略和深思熟虑的生态系统设计的重要性。
我们在一般多维机制设计设置中得出收入最优的高效(福利最大化)机制,当类型空间(即代理值来自的底层域)可以捕获有关代理的任意复杂的信息约束时。 类型空间可以编码有关代理的信息,例如,代理行为的机器学习预测,关于可行市场结果的机构知识(例如项目可替代性或拍卖中的互补性),以及多个代理之间的相关性。 之前的工作只处理连接的类型空间,这些空间不足以捕捉许多自然类型的约束,如不协调的约束。 我们提供基于分配和连接组件的最佳机制的两个表征;两者都利用底层网络流结构到机制设计。 我们的成果显著概括并改进了收入最优高效机制设计中最先进的技术。 他们还大大扩展了可以表达和用于改善收入的代理信息的范围。
对于一个企业被赋予路径无关的选择功能的多对一市场,基于Aizerman-Malishevski分解,我们定义了一个相关的一对一市场。 鉴于一对一市场的通常稳定概念不适合这个相关的一对一市场,我们引入了一种新的稳定概念。 这个概念允许我们在多对一市场中的一组稳定匹配与符合这一新稳定性标准的关联一对一市场中的匹配之间建立同构。 此外,我们提出了众所周知的递延验收算法的调整,以计算满足相关一对一市场稳定性这一新概念的匹配。 最后,作为我们同构的副产品,我们证明了所谓的农村医院定理的改编版本。
经典统计决策理论仅根据观察到的结果评估治疗选择。 然而,由于忽视了反事实结果,它无法评估相对于可行替代办法的决定的质量。 例如,医生的决定质量可能不仅取决于患者的生存,还取决于侵入性较小的治疗是否可能产生类似的结果。 为了解决这一限制,我们扩展了标准决策理论,以纳入使用所有潜在结果评估决策的反事实损失标准。 这种概括的核心挑战是识别:因为每个单位只观察到一个潜在的结果,因此反事实损失下的相关风险通常无法识别。 我们表明,在强可忽视性的假设下,只有在反事实损失函数在潜在结果中是附加的情况下,才能识别反事实风险。 此外,我们证明添加剂反事实损失可以产生不同于基于标准损失功能的治疗建议,前提是决策问题涉及两种以上的处理选择。
本文研究了一个具有多个平行等级顺序比赛的两个阶段游戏理论模型。 在这个模型中,每个竞赛设计师都会设置一个比赛,并在第一阶段的固定预算内确定奖品结构。 参赛者选择参加哪些比赛,并付出昂贵的努力,在第二阶段与其他参赛者竞争。 首先,我们完全表征了参赛者子游戏中对称的贝叶斯纳什均衡,在任何给定的奖品结构下,都考虑到了比赛选择和努力。 值得注意的是,我们发现,无论参赛者是否知道他们选择的比赛参与者人数,平衡在预期中保持不变。 接下来,我们分别根据努力和参与在两种类型的客观功能下分析设计师的策略。 对于广泛的基于努力的目标,我们证明,在单场设置中,赢家通吃的奖金结构结构最优仍然是所有设计师的主导策略。 对于参与目标,最大限度地提高超过技能阈值的参与者数量,我们表明,最优的奖品结构总是一个简单的比赛。 此外,设计者之间的平衡在具有共同阈值时可计算。
我们研究动态分散的双面匹配,其中玩家可能会遇到意想不到的体验。 当他们意识到这些经历时,他们可能会改变他们对市场另一边玩家的偏好。 因此,他们可能会“离婚”并与其他代理人再次匹配,这可能导致进一步的意外体验等。 如果不存在对阻塞的共同信念,匹配是稳定的。 稳定的匹配可以通过意想不到的体验破坏稳定。 然而,我们表明,存在自我确认的结果是稳定的,不会导致进一步的意外经历。 我们引入了一个自然分散的匹配过程,在每个时期分配概率1 - ε 满足相互最优阻塞对(如果它存在),并选择任何最优阻塞对。 参数ε被解释为匹配市场的摩擦。 我们表明,对于任何分散的匹配过程,摩擦对于收敛到稳定是必要的,即使不知情。 我们的过程汇聚到自我确认的稳定结果。 此外,我们允许双边沟通/调情,改变意识,并说,如果没有沟通导致共同的信念阻塞,匹配是调情的稳定性。 我们表明,我们的自然分散匹配过程收敛到调情的自确认结果。
我们表明,需求响应中的风险感知行为源于超四合国家依赖的成本功能和价格不确定性与偏斜分布。 我们通过开发一种新的理论需求响应框架,将非预期的多阶段决策与超四度成本功能相结合,获得这样的结果。 我们引入了谨慎需求的概念,由成本函数的正三阶衍生物定义,这是尽管风险中立的目标,但风险规避行为的第一个原则。 我们的分析确定,未来价格的不确定性会影响即时的消费决策,这种反应的程度与价格分配的偏斜程度成比例。 我们通过数值模拟来可视化我们的理论发现,并使用真实世界的案例研究来说明它们的实际意义。
非对称进化游戏,如《最后通牒游戏》,为理解社会物种的公平性提供了关键。 在这一框架的基础上,我们探讨了社会价值体系的演变以及社会地位在等级组织社会中所起的操作作用。 在不对称的Ultimatum游戏范式中,“提案人”建议资源分配术语,以及“响应者”接受或拒绝这些术语,我们研究了在主观社会秩序下玩家之间角色的分配。 该命令基于可观察的玩家属性(如年龄和财富)的紧急状态层次结构。 通过继承和家庭关系,建立这种等级制度的基本规则随着时间的推移而稳定下来。 尽管这些(通常是潜意识的)价值体系在控制个人获得资源和决策方面具有运行意义。 我们使用具有动态人口大小和网络结构的简单但足够复杂的模型来展示这些效果,其中资源(prey)的划分是根据Ultimatum游戏的原则进行的。 我们专注于不同社会等级和互动网络下的新兴提议者和响应者阈值,并讨论它们与在广泛的文化背景下进行的广泛的最后通牒游戏实验有关。 我们观察到各种共享规范的出现,从不公平到高度慷慨,以及各种社会规范的发展。
本文探讨了与外源产品差异化在类似于中川(2023)的空间模型中的价格竞争。 中川在Varian(1980)的框架内研究产品差异化。 中川将Varian的不知情消费者的概念,他们缺乏完整的价格信息,融入了基于Hotelling(1929)的空间模型。 虽然中川将通知消费者置于酒店线路的中心,并使用二次运输成本,但我们的研究采用了知情消费者和线性运输成本的均匀分布。 这种方法能够更直接地与既定的空间竞争文献进行比较,特别是奥斯本和皮奇克(1987)。 我们对均衡候选者进行分类,并表征与每个均衡对应的参数区域。 在我们构建混合战略均衡的区域没有纯粹的平衡。 此外,我们将模型平衡的预期利润与奥斯本和皮奇克(1987)的研究结果进行了比较。 最后,我们讨论圈养买家对空间竞争性质的影响。
我们表明,对于任何 ε>0, 的代理数量,承认纯ε均衡的游戏份额收敛到1。 我们的结果甚至适用于纯粹的ε均衡,其中所有代理,除了最多一个,发挥最佳响应。 相比之下,众所周知,承认纯纳什均衡的游戏份额,即ε=0,是渐近1-1/e≈0.63。 这表明,由ε的正值捕获的非常小的偏离完美理性,足以确保稳定结果的普遍存在。 我们还研究当行动数量变大时,纯ε均衡的存在。 我们的证明依赖于概率方法和陈-施泰因方法。
我们研究了一个预算汇总环境,其中选民表示他们更喜欢分配固定预算而不是一组替代方案,并且一个机制将这些偏好汇总到单个产出分配中。 在预算不完全可分割的情况下,我们偏离了现行文献,将机制限制在分配整体金额的产出分配上。 这种看似轻微的偏差对真实机制的存在具有重要意义。 具体来说,当选民可以提出分数分配时,我们证明Gibbard-Satterthwaite定理可以扩展到我们的设置。 相反,当选民被限制在整体选票上时,我们通过调整移动幻影机制来识别一类真实的机制。 此外,我们表明,虽然与真实性一起可以实现微弱的相称性形式,但基于批准的委员会投票产生的(更强)相称性概念与真实性不相容。
本文调查了当学习者拥有私人信息时,在线学习算法的稳健性。 在机器学习中普遍存在的无外部遗憾算法容易受到战略操纵,允许自适应对手提取完全剩余。 即使是标准的无弱外部-后悔算法,专为在静止环境中进行最佳学习而设计,也表现出类似的漏洞。 这就提出了一个基本问题:学习者能否同时阻止适应性对手的完全剩余提取,同时在行为良好的环境中保持最佳表现? 为了解决这个问题,我们将问题建模为双人重复游戏,其中具有私人信息的学习者与环境对抗,面对环境类型的模糊性:静止或自适应。 我们引入部分安全性作为在线学习算法的关键设计标准,以防止完全剩余提取。 然后,我们提出了Explore-Exploit-Punish()算法,并证明它满足了部分安全性,同时在静止环境中实现了最佳学习,并具有可提高福利性能的变体。 我们的研究结果强调了在具有不利选择的战略环境中应用标准在线学习算法的风险。 我们主张转向在线学习算法,明确纳入防止战略操纵的保障措施,同时确保强大的学习性能。
我们开发和应用认识论测试到各种分散的治理方法,以及研究参与的影响。 这些测试探测到当有一个时达到正确结果的能力。 我们发现,与各种形式的"转移授权"等替代办法相比,部分弃权是一种强有力的治理方法,其中选民明确将其部分或全部投票权转让给其他人。 我们为多步骤移交代表团提出了比以前的工作更有力的理由,但也表明,移交代表团具有固有的认识不足。 我们表明,加强直接参与,选民行使自己的投票权,可以产生各种认识论的影响,有些是非常负面的。 我们确定了保证额外直接参与的治理条件,并且可能会增加做出正确决定的可能性。 鉴于基于投票的去中心化治理的认识挑战,我们考虑可能的补充使用预测市场、拍卖和人工智能代理来改善结果。 所有这些结果都很重要,因为如果DAO(分散的自治组织)等实体希望与更集中的组织竞争,那么认识式绩效很重要。
百薪拍卖,一种经典的竞争模式,广泛应用于政治选举、体育比赛和研发等场景,所有参与者无论胜负如何,都要支付出价。 然而,在传统的全付费拍卖中,玩家没有预算限制,而在现实世界中,玩家通常面临预算限制。 本文研究了两个参与者的纳什均衡,在一个完整的信息框架中,在多个异构项中存在预算限制。 主要贡献如下:(1)在预算和估值不对称的单项拍卖中全面表征纳什均衡;(2)为二项情景构建联合分配纳什均衡;(3)为三项情景构建联合分配纳什均衡。 与无约束的全付费拍卖(总是有纳什均衡)不同,当玩家有预算限制时,纳什均衡可能不存在。 我们的研究结果强调了预算限制对投标策略的复杂影响,为全付费拍卖的理论分析和实际应用提供了新的视角和方法。
资源分配在完成系统目标和任务方面发挥着重要作用,特别是在战略对手的存在下。 最优分配策略变得越来越复杂,因为系统规划师可以支配多种异构类型的资源。 在本文中,我们专注于在被称为General Lotto游戏的知名竞争资源分配模型中为异构资源分配制定最佳策略。 在标准公式中,结果完全由玩家在多个比赛中共同的单一资源分配策略决定。 特别是,如果玩家发送的资源比对手多,则赢得比赛。 在这里,我们提出了一个多资源扩展,其中比赛的获胜者现在不仅取决于分配的资源数量,还取决于分配的资源类型的组成。 我们完全表征了两种不同公式的平衡回报和战略。 第一个包含一个最弱的环节/最佳获胜规则,第二个规则基于分配资源的加权线性组合考虑获胜规则。 然后,我们考虑一种情况,即资源类型购买成本高昂,并得出每个资源类型的参与者的平衡投资。
按比例否决原则,它抓住了一个被一大群选民否决的候选人不应该被选择的想法,已经在单一赢家投票中进行了排名。 我们为批准选票引入了这一原则的一个版本,我们称之为灵活选民代表(FVR)。 我们表明,虽然批准投票规则和其他自然评分规则仅为一些灵活性阈值提供了最佳的FVR保证,但存在一个同时对所有阈值进行FVR最优的评分规则。 我们还将结果扩大到多赢家投票。