論文の概要: Strategic Resource Selection with Homophilic Agents

• arxiv url: http://arxiv.org/abs/2305.00843v2
• Date: Thu, 13 Jun 2024 13:48:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-15 02:38:50.641267
• Title: Strategic Resource Selection with Homophilic Agents
• Title（参考訳）: 親和性エージェントを用いたストラテジックリソースの選択
• Authors: Jonathan Gadea Harder, Simon Krogmann, Pascal Lenzner, Alexander Skopalik,
• Abstract要約: 類似エージェントとの共同資源利用を目指す異種エージェントを用いたリソース選択ゲームを提案する。 モデルでは,異なるタイプのエージェントを考慮し,その決定的特徴はユーザ間の同一型エージェントの割合である。 このような有界な有理性はゲーム理論上有利な性質を持つことを示す。
• 参考スコア（独自算出の注目度）: 48.83208975886834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The strategic selection of resources by selfish agents is a classic research direction, with Resource Selection Games and Congestion Games as prominent examples. In these games, agents select available resources and their utility then depends on the number of agents using the same resources. This implies that there is no distinction between the agents, i.e., they are anonymous. We depart from this very general setting by proposing Resource Selection Games with heterogeneous agents that strive for joint resource usage with similar agents. So, instead of the number of other users of a given resource, our model considers agents with different types and the decisive feature is the fraction of same-type agents among the users. More precisely, similarly to Schelling Games, there is a tolerance threshold $\tau \in [0,1]$ which specifies the agents' desired minimum fraction of same-type agents on a resource. Agents strive to select resources where at least a $\tau$-fraction of those resources' users have the same type as themselves. For $\tau=1$, our model generalizes Hedonic Diversity Games with a peak at $1$. For our general model, we consider the existence and quality of equilibria and the complexity of maximizing social welfare. Additionally, we consider a bounded rationality model, where agents can only estimate the utility of a resource, since they only know the fraction of same-type agents on a given resource, but not the exact numbers. Thus, they cannot know the impact a strategy change would have on a target resource. Interestingly, we show that this type of bounded rationality yields favorable game-theoretic properties and specific equilibria closely approximate equilibria of the full knowledge setting.
• Abstract（参考訳）: 利己的なエージェントによるリソースの戦略的選択は古典的な研究の方向であり、リソース選択ゲームや渋滞ゲームが顕著な例である。 これらのゲームでは、エージェントは利用可能なリソースを選択し、そのユーティリティは同じリソースを使用するエージェントの数に依存する。 これは、エージェントの間に区別がない、すなわち匿名であることを意味する。 我々は、類似エージェントとの共同資源利用を目指す異種エージェントでリソース選択ゲームを提案することで、この非常に一般的な設定から脱却する。 したがって、与えられたリソースの他のユーザ数ではなく、異なるタイプのエージェントを考慮し、決定的な特徴は、ユーザ間で同じタイプのエージェントの割合である。 より正確には、Schelling Gamesと同様に、リソース上でエージェントが望む同型エージェントの最小分数を指定する許容しきい値$\tau \in [0,1]$が存在する。 エージェントは、これらのリソースのユーザの少なくとも$\tau$-fractionがそれ自身と同じタイプを持つリソースを選択しようとします。 $\tau=1$の場合、私たちのモデルはHedonic Diversity Gamesを1ドルというピークで一般化します。 一般モデルでは、均衡の存在と質、社会福祉の最大化の複雑さを考察する。 さらに、与えられたリソース上の同型エージェントの分数しか知らないが、正確な数ではないため、エージェントがリソースの効用を見積もることができるような有界合理性モデルを考える。 したがって、戦略変更がターゲットリソースに与える影響を知ることはできない。 興味深いことに、このタイプの有界な有理性は、ゲーム理論上有利な性質と、全知識設定の近似均衡をもたらす。

関連論文リスト

• Sequential Resource Trading Using Comparison-Based Gradient Estimation [21.23354615468778]
  資源割り当てのシーケンシャルなトレーディングを、2つの合理的なエージェントが有限のカテゴリから逐次的にリソースを交換する環境で検討する。 本稿では,提案エージェントが応答エージェントの勾配(参照)を推定し,事前の受け入れや拒絶の応答に基づいて提案を行うアルゴリズムを提案する。 有限個の提案が連続的に拒否された後、応答剤は最適に近い状態にあるか、エージェントの勾配が密に一致しているかを示す。
  論文  参考訳（メタデータ） (2024-08-20T20:42:41Z)
• PPA-Game: Characterizing and Learning Competitive Dynamics Among Online Content Creators [32.27173842175003]
  本稿では,PPA-Game(Proportional Payoff Allocation Game)を導入し,エージェントがさまざまなリソースと消費者の注意を競う方法をモデル化する。 分析の結果, 純粋なナッシュ平衡 (PNE) はすべてのシナリオにおいて保証されていないが, 一般的に観察される。 本稿では,各エージェントの累積支払をT$ラウンドで行うことを容易にするオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-22T14:13:11Z)
• Robust and Performance Incentivizing Algorithms for Multi-Armed Bandits with Strategic Agents [57.627352949446625]
  マルチアームバンディット問題の変種を考察する。 具体的には、武器は、報酬を改善したり、吸収したりできる戦略的なエージェントである。 我々は、プロパティの集合を満たすMABアルゴリズムのクラスを特定し、それらが平衡におけるトップレベルのパフォーマンスを刺激するメカニズムをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-13T06:54:49Z)
• Online Allocation and Learning in the Presence of Strategic Agents [16.124755488878044]
  我々は,各エージェントが予め指定された各項目の分数を受けなければならないという制約の下で,$n$均質なエージェントのうち,$T$が順次到着するアイテムを割り当てる問題について検討する。 私たちの主な貢献は、ほぼベイズ的インセンティブ互換のオンライン学習ベースのアロケーションメカニズムです。
  論文  参考訳（メタデータ） (2022-09-25T00:46:53Z)
• Resource Allocation to Agents with Restrictions: Maximizing Likelihood with Minimum Compromise [28.2469613376685]
  原理は、各エージェントが何らかの確率でリソースにマッチするように、ランダムに最大マッチングを選択することを示す。 エージェントは、制限を一定の範囲内で変更することで、マッチする可能性を改善したいと考えています。 本研究では,合成データセットと2つの新しい実世界のデータセットについて実験的に評価した。
  論文  参考訳（メタデータ） (2022-09-12T11:58:19Z)
• Learning in Stackelberg Games with Non-myopic Agents [60.927889817803745]
  そこで本研究では,主役が非筋力的な長寿命エージェントと繰り返し対話するスタックルバーグゲームについて,エージェントの支払関数を知らずに検討する。 我々は、非ミオピックエージェントの存在下での学習を、ミオピックエージェントの存在下で堅牢な帯域最適化に還元する一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-08-19T15:49:30Z)
• Modeling Bounded Rationality in Multi-Agent Simulations Using Rationally Inattentive Reinforcement Learning [85.86440477005523]
  我々は、人間不合理性の確立されたモデルであるRational Inattention(RI)モデルを含む、より人間的なRLエージェントについて検討する。 RIRLは、相互情報を用いた認知情報処理のコストをモデル化する。 我々は、RIRLを用いることで、合理的な仮定の下で発見されたものと異なる、新しい平衡挙動の豊富なスペクトルが得られることを示す。
  論文  参考訳（メタデータ） (2022-01-18T20:54:00Z)
• Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
  経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。 エージェントの好みを学習するためのオンライン学習機構を提案する。 数値シミュレーションにより,本機構の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T21:32:17Z)
• VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit Feedback [104.06766271716774]
  本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。 まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。 当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
  論文  参考訳（メタデータ） (2020-04-19T18:00:58Z)
• Multi Type Mean Field Reinforcement Learning [26.110052366068533]
  平均場乗算アルゴリズムを複数のタイプに拡張する。 エージェント強化学習の分野では,3つのテストベッドで実験を行った。
  論文  参考訳（メタデータ） (2020-02-06T20:58:58Z)

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。