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
- 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) - Decentralized, Communication- and Coordination-free Learning in
Structured Matching Markets [2.9833943723592764]
両面マッチング市場における競争環境におけるオンライン学習の問題について検討する。
本稿では、エージェントが安定したマッチングに到達できるように、分散化、通信、調整不要なアルゴリズムのクラスを提案する。
論文 参考訳(メタデータ) (2022-06-06T04:08:04Z) - 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) - Fairness Degrading Adversarial Attacks Against Clustering Algorithms [35.40427659749882]
そこで本研究では,k-medianクラスタリングのためのフェアネス劣化攻撃アルゴリズムを提案する。
生成した対数サンプルの追加により、フェアネス値が大幅に低下することが判明した。
論文 参考訳(メタデータ) (2021-10-22T19:10:27Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳(メタデータ) (2021-09-13T18:10:52Z) - Audit and Assurance of AI Algorithms: A framework to ensure ethical
algorithmic practices in Artificial Intelligence [0.0]
アメリカには、厳格な法律の禁止や、損傷を測定するための特定のプロトコルが欠けている。
自動運転車や銀行から医療、住宅、そして法的な決定に至るまで、もうすぐ膨大な量のアルゴリズムが存在する。
政府、企業、社会はアルゴリズム監査を受け、アルゴリズムが合法的で倫理的かつ安全であることを体系的に検証する。
論文 参考訳(メタデータ) (2021-07-14T15:16:40Z) - 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。