論文の概要: Deep Learning Meets Mechanism Design: Key Results and Some Novel Applications

• arxiv url: http://arxiv.org/abs/2401.05683v1
• Date: Thu, 11 Jan 2024 06:09:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-12 19:32:50.599110
• Title: Deep Learning Meets Mechanism Design: Key Results and Some Novel Applications
• Title（参考訳）: 深層学習とメカニズム設計:鍵となる結果と新しい応用
• Authors: V. Udaya Sankar, Vishisht Srihari Rao, Y. Narahari
• Abstract要約: 本稿では、関連する文献から、深層学習を用いたメカニズム設計の技術的詳細について述べる。 本稿では,3つのケーススタディにおいて,このアプローチのパワーを実証する。
• 参考スコア（独自算出の注目度）: 1.2661010067882734
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mechanism design is essentially reverse engineering of games and involves inducing a game among strategic agents in a way that the induced game satisfies a set of desired properties in an equilibrium of the game. Desirable properties for a mechanism include incentive compatibility, individual rationality, welfare maximisation, revenue maximisation (or cost minimisation), fairness of allocation, etc. It is known from mechanism design theory that only certain strict subsets of these properties can be simultaneously satisfied exactly by any given mechanism. Often, the mechanisms required by real-world applications may need a subset of these properties that are theoretically impossible to be simultaneously satisfied. In such cases, a prominent recent approach is to use a deep learning based approach to learn a mechanism that approximately satisfies the required properties by minimizing a suitably defined loss function. In this paper, we present, from relevant literature, technical details of using a deep learning approach for mechanism design and provide an overview of key results in this topic. We demonstrate the power of this approach for three illustrative case studies: (a) efficient energy management in a vehicular network (b) resource allocation in a mobile network (c) designing a volume discount procurement auction for agricultural inputs. Section 6 concludes the paper.
• Abstract（参考訳）: 機構設計は基本的にゲームのリバースエンジニアリングであり、誘導されたゲームがゲームの平衡における望ましい特性のセットを満たすように戦略的なエージェントの間でゲームを誘導する。 メカニズムの望ましい特性には、インセンティブ互換性、個人の合理性、福祉の最大化、収益の最大化(またはコスト最小化)、配分の公平性などがある。 機構設計理論から、これらの性質の特定の厳密な部分集合のみが任意の機構によって同時に満足できることが知られている。 現実の応用で必要とされるメカニズムは、理論上同時に満たすことができないこれらの性質のサブセットを必要とすることが多い。 そのような場合、近年の顕著なアプローチは、学習に基づくアプローチを使用して、適切に定義された損失関数を最小化することにより、必要な特性をほぼ満足するメカニズムを学ぶことである。 本稿では,関連する文献から,メカニズム設計のための深層学習アプローチの技術的詳細を説明し,本トピックにおける重要な結果の概要を示す。 このアプローチのパワーを3つの例で示します。 a) 車両ネットワークにおける効率的なエネルギー管理 (b)移動体ネットワークにおける資源割当 (c)農業用インプットのボリュームディスカウント調達オークションをデザインすること。 第6節はその論文を締めくくる。

関連論文リスト

• Attention is Naturally Sparse with Gaussian Distributed Input [8.602260591839318]
  本研究では,Large Language Models (LLMs) における注意点の空間性に関する厳密な理論的解析を行った。 我々の主な貢献は、空間が注意機構にどのように現れるかに関する詳細な理論的考察を提供することであり、計算貯蓄とモデルの有効性の間の潜在的なトレードオフに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-04-03T12:37:34Z)
• Deep Generative Model-based Synthesis of Four-bar Linkage Mechanisms with Target Conditions [22.164394511786874]
  深層学習に基づく複数クランクロックの4バーリンク機構を生成するための生成モデルを提案する。 提案モデルは, 条件付き生成逆数ネットワーク (cGAN) を基盤として, 機構合成に改良を加えたモデルである。 その結果, 提案モデルでは, 特定のキネマティックおよび準静的な要求を満たす複数の異なるメカニズムが得られた。
  論文  参考訳（メタデータ） (2024-02-22T03:31:00Z)
• Learning Payment-Free Resource Allocation Mechanisms [19.60309632660988]
  ニューラルネットワークを用いた自己関心エージェント間のリソース制限機構の設計について検討する。 支払いなしのメカニズム設計に"マネーバーニング"というアイデアを取り入れた、新たなエンドツーエンドニューラルネットワークアーキテクチャであるExS-Netをコントリビュートしています。
  論文  参考訳（メタデータ） (2023-11-18T01:21:54Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline Reinforcement Learning [114.36124979578896]
  オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。 我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
  論文  参考訳（メタデータ） (2022-05-05T05:44:26Z)
• Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach [130.9259586568977]
  本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。 当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
  論文  参考訳（メタデータ） (2022-02-25T16:17:23Z)
• Properties from Mechanisms: An Equivariance Perspective on Identifiable Representation Learning [79.4957965474334]
  教師なし表現学習の主な目標は、データ生成プロセスが潜在プロパティを回復するために「反転」することである。 この論文は「進化を支配するメカニズムの知識を活用して潜伏特性を識別するのか?」と問う。 我々は、可能なメカニズムの集合に関する知識が異なるため、不特定性の原因の完全な特徴づけを提供する。
  論文  参考訳（メタデータ） (2021-10-29T14:04:08Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• Automated Mechanism Design for Classification with Partial Verification [64.69418921224529]
  部分検証による自動機構設計の問題点について検討する。 私たちは、すべてのタイプが結果よりも同じ好みを共有する設定における真実のメカニズムに焦点を当てています。
  論文  参考訳（メタデータ） (2021-04-12T03:29:31Z)

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。