論文の概要: Algorithmic collusion: A critical review

• arxiv url: http://arxiv.org/abs/2110.04740v1
• Date: Sun, 10 Oct 2021 09:14:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 18:51:50.290583
• Title: Algorithmic collusion: A critical review
• Title（参考訳）: algorithmic collusion: 批判的レビュー
• Authors: Florian E. Dorner
• Abstract要約: 本稿では,アルゴリズムの共謀に関する文献をレビューし,それを計算機科学の成果に結びつける。 反トラスト法を適用して、実際の市場で衝突する自己学習アルゴリズムを扱うのは時期尚早だが、他のアルゴリズムによる共謀は、すでに法的措置を義務付けているかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prospect of collusive agreements being stabilized via the use of pricing algorithms is widely discussed by antitrust experts and economists. However, the literature is often lacking the perspective of computer scientists, and seems to regularly overestimate the applicability of recent progress in machine learning to the complex coordination problem firms face in forming cartels. Similarly, modelling results supporting the possibility of collusion by learning algorithms often use simple market simulations which allows them to use simple algorithms that do not produce many of the problems machine learning practitioners have to deal with in real-world problems, which could prove to be particularly detrimental to learning collusive agreements. After critically reviewing the literature on algorithmic collusion, and connecting it to results from computer science, we find that while it is likely too early to adapt antitrust law to be able to deal with self-learning algorithms colluding in real markets, other forms of algorithmic collusion, such as hub-and-spoke arrangements facilitated by centralized pricing algorithms might already warrant legislative action.
• Abstract（参考訳）: 価格アルゴリズムの活用による協調協定の安定化の見通しは、反トラストの専門家や経済学者によって広く議論されている。 しかし、この文献はコンピュータ科学者の視点を欠いていることが多く、カルテルの形成において企業が直面する複雑なコーディネーション問題に対する機械学習の最近の進歩の適用性を定期的に過小評価しているようである。 同様に、学習アルゴリズムによる結束の可能性を支持するモデリング結果は、単純な市場シミュレーションを使用しており、機械学習の実践者が現実世界の問題で対処しなければならない問題の多くを生じない単純なアルゴリズムを使うことができる。 アルゴリズムの共謀に関する文献を批判的にレビューし、コンピュータ科学の結果と結びつけると、反トラスト法を適用して実際の市場で共謀する自己学習アルゴリズムに対処することは早すぎるが、集中的な価格アルゴリズムによって促進されるハブ・アンド・スモークのようなアルゴリズムの共謀の他の形態は、すでに法的措置を許可している可能性がある。

関連論文リスト

• Naive Algorithmic Collusion: When Do Bandit Learners Cooperate and When Do They Compete? [0.0]
  アルゴリズムエージェントは、さまざまな競争上の決定設定で使用される。 エージェントが競合する状況で使用されるマルチアーム帯域幅機械学習アルゴリズムの動作について検討する。 これらの文脈自由な盗賊は、相手の選択や結果の知識がないまま、相変わらず共謀行動を学ぶことを示している。
  論文  参考訳（メタデータ） (2024-11-25T16:58:07Z)
• Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
  本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。 計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。 学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
  論文  参考訳（メタデータ） (2024-07-01T16:53:00Z)
• Detecting and Triaging Spoofing using Temporal Convolutional Networks [6.24302896438145]
  アルゴリズム取引と電子市場は 金融市場の状況を変え続けています 本稿では,市場操作を検出する領域において,様々な問題に容易に対応可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-20T09:17:12Z)
• Mathematical Algorithm Design for Deep Learning under Societal and Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
  計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。 以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-01-18T15:32:38Z)
• Measuring, Interpreting, and Improving Fairness of Algorithms using Causal Inference and Randomized Experiments [8.62694928567939]
  本稿では,アルゴリズム決定の公平性を測り,解釈し,改善するためのMIIFフレームワークを提案する。 ランダム化実験を用いてアルゴリズムバイアスを測定し, 異なる処理, 異なる影響, 経済的価値の同時測定を可能にする。 また、ブラックボックスアルゴリズムの信念を正確に解釈し、蒸留する、説明可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-09-04T19:45:18Z)
• Minimalistic Predictions to Schedule Jobs with Online Precedence Constraints [117.8317521974783]
  オンライン優先制約による非サーボ的スケジューリングについて検討する。 アルゴリズムは、任意のジョブ依存に偏りがなく、前任者がすべて完了した場合に限り、ジョブについて学習する。
  論文  参考訳（メタデータ） (2023-01-30T13:17:15Z)
• Language Model Decoding as Likelihood-Utility Alignment [54.70547032876017]
  モデルの有効性がタスク固有の実用性の概念とどのように一致しているかについて、暗黙の仮定に基づいて、デコード戦略をグループ化する分類法を導入する。 具体的には、様々なタスクの集合における予測の可能性と有用性の相関を解析することにより、提案された分類を裏付ける最初の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-10-13T17:55:51Z)
• Artificial Intelligence and Spontaneous Collusion [0.0]
  我々は,学習アルゴリズム間の戦略的相互作用を研究するための抽出可能なモデルを開発した。 アルゴリズム的共謀の出現の原因となるメカニズムを明らかにする。 自然結合は、価格と市場シェアの共謀を持続できることを示す。
  論文  参考訳（メタデータ） (2022-02-12T00:50:15Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)
• Probably Approximately Correct Constrained Learning [135.48447120228658]
  我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。 PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。 このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
  論文  参考訳（メタデータ） (2020-06-09T19:59:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。